基于单镜头的车辆检测与跟踪方法研究

发布时间：2023-04-16 10:13

　　车辆检测与跟踪是智能视频监控领域的研究热点,在智能交通、交通管控、车辆追踪等领域已得到了广泛的应用。但由于监控场景的复杂性,对视频中运动车辆的检测与跟踪还有很多问题需要解决。为此,本文对复杂场景中运动车辆检测与跟踪方法进行了深入研究,提出了一些检测跟踪处理算法,在实际场景应用中取得较好的结果。论文的主要工作如下:(1)对混合高斯模型进行了深入研究,分析了算法在目标检测的优缺点,结合场景的实际情况,提出通过像素点的前景和背景变换频率来调整该像素点高斯混合模型背景学习率,以达到快速适应不同区域的变化。(2)采集实际场景车辆数据集,训练深度学习YOLO v2目标检测模型,将其作为跟踪算法中的车辆检测子模块,并将检测结果对跟踪过程中车辆出现姿态和尺度变化时的位置框进行修订,减少车辆跟踪过程中的错误率。(3)在分析目前常用算法优缺点的基础上,利用负反馈的方式将上一帧正确跟踪到的车辆位置作为当前帧的学习模型,将特征点精确匹配率和区域重叠度作为当前区域计算的影响因子,修正当前帧的车辆跟踪位置。(4)将已学习模型匹配的特征点作为正样本放入容器,在车辆被遮挡或者位置偏移过大导致跟踪预测位置失效时,依次将...

【文章页数】：70 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 检测研究现状
        1.2.2 目标跟踪研究现状
    1.3 主要工作与创新
    1.4 论文结构
2 车辆检测算法
    2.1 基于背景建模的车辆检测
        2.1.1 基础知识
        2.1.2 混合高斯模型
        2.1.3 ViBe
    2.2 基于机器学习的车辆检测
        2.2.1 图像特征介绍
        2.2.2 分类器介绍
        2.2.3 基于HOG+SVM的车辆检测
    2.3 基于深度学习的车辆检测
        2.3.1 深度学习简介
        2.3.2 YOLOv2方法简述
        2.3.3 训练YOLOv2车辆检测模型
    2.4 本章小结
3 车辆跟踪算法
    3.1 经典跟踪方法
    3.2 基于相关滤波跟踪方法
        3.2.1 STC跟踪算法
        3.2.2 KCF跟踪算法
    3.3 基于深度学习跟踪算法
        3.3.1 C-COT算法
        3.3.2 ECO跟踪算法
    3.4 本章小节
4 算法思想与实验集成
    4.1 自适应学习率改进
        4.1.1 理论分析
        4.1.2 改进思想
    4.2 基于相关滤波的车辆跟踪改进方法
        4.2.1 特征点匹配
        4.2.2 学习模型更新算法
    4.3 实验结果分析
        4.3.1 系统界面
        4.3.2 改进算法实验
    4.4 本章小结
5 结论及展望
    5.1 结论
    5.2 展望
参考文献
致谢
在校期间科研成果



本文编号：3791287