基于视频的交通场景下运动目标检测研究
发布时间：2022-12-05 02:24
交通场景下的运动目标检测是计算机视觉领域中的重要研究方向,同时也是无人驾驶和辅助驾驶系统的重要组成部分。然而复杂多变的背景以及运动目标自身的运动属性,单帧图像中普遍存在着运动模糊、失焦模糊以及目标遮挡等问题,这都给运动目标检测任务带来了巨大挑战。鉴于以上问题,如果直接使用基于静态图像的目标检测器,效果并不理想。但是经过分析发现,在一组连续的视频帧中,总会存在若干各高质量特征的图像帧,能够使目标检测器表现出理想的性能。因此,本文改进基于静态图像的目标检测器,通过提取目标的运动信息,融合相邻帧特征,从而提升当前帧的特征质量。主要工作内容如下:本文设计并实现了一种基于可变形卷积的特征对齐网络。由于目标在不同图像帧中的空间位置和姿态均不一致,如果直接融合特征,会导致多个时刻的特征错位叠加,反而不利于目标检测,因此在特征融合先必须进行特征对齐操作。本文探究了Farneback光流法和可变形卷积在特征对齐方面的表现,并最终确定使用可变形卷积来实现特征对齐。该卷积可以学习目标特征在两帧之间的像素级对应关系,并利用其强大的空间变换能力进行特征映射。首先输入当前帧和相邻帧的特征图,利用基于可变形卷积的网...
【文章页数】：77 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 课题研究背景与意义
1.2 国内外研究现状
1.2.1 基于传统方法的运动目标检测
1.2.2 基于深度学习的目标检测
1.2.3 基于深度学习的运动目标检测
1.3 交通场景下的运动目标检测难点
1.4 主要工作内容
1.5 论文结构安排
第二章 常用特征提取网络
2.1 VGG网络
2.2 ResNet网络
2.3 Hourglass网络
2.4 DLANet网络
2.5 本章小结
第三章 基于时空特征融合的运动目标检测方法
3.1 网络架构介绍
3.2 特征对齐模块
3.2.1 Farneback光流法的基本原理
3.2.2 基于光流法的特征对齐模块的实现
3.2.3 可变形卷积的基本原理
3.2.4 基于可变形卷积的特征对齐模块的实现
3.3 时空特征融合模块
3.4 目标检测子网络
3.4.1 Faster RCNN网络
3.4.2 CenterNet网络
3.4.3 目标检测子网络的选择
3.5 问题帧选取
3.5.1 基于图像相似度的问题帧选取
3.5.2 基于图像清晰度的问题帧选取
3.5.3 基于目标运动尺度的问题帧选取
3.6 本章小结
第四章 实验与分析
4.1 KITTI数据集实验
4.1.1 数据集介绍
4.1.2 评价指标介绍
4.1.3 数据预处理
4.1.4 训练与测试过程
4.1.5 结果与分析
4.2 UA-DETRAC数据集实验
4.2.1 数据集介绍
4.2.2 评价指标介绍
4.2.3 训练与测试过程
4.2.4 结果与分析
第五章 工作总结与展望
5.1 工作总结
5.2 工作展望
参考文献
致谢
学位论文评阅及答辩情况表
【参考文献】：
期刊论文
[1]基于融合特征的视频关键帧提取方法[J]. 张晓宇,张云华. 计算机系统应用. 2019(11)
[2]运动目标检测的ViBe算法改进[J]. 杨丹,戴芳. 中国图象图形学报. 2018(12)
[3]基于背景差分与帧间差分的目标检测改进算法[J]. 王梦菊,吴小龙,杜海涛. 自动化技术与应用. 2018(10)
[4]Farneback光流法在短临预报中的应用[J]. 安晶晶,刘高平,朱佳宁. 软件. 2018(10)
[5]基于改进混合高斯模型的运动目标检测方法[J]. 张国平,高兆彬. 计算机系统应用. 2017(04)
[6]基于改进的单高斯背景模型检测算法的研究[J]. 徐鸿伟,陈钱,钱惟贤. 激光与光电子学进展. 2016(04)
[7]一种改进的Sobel算子图像清晰度评价函数[J]. 钱青,臧冬菊. 计算机与数字工程. 2015(10)
[8]基于背景减除与三帧差分相融合的运动检测[J]. 邱联奎,刘启亮,雷文龙. 合肥工业大学学报(自然科学版). 2014(05)
[9]基于中国市场特定需求的汽车先进驾驶辅助系统发展趋势研究[J]. 马钧,曹静. 上海汽车. 2012(04)
硕士论文
[1]基于深度学习的车辆目标检测方法[D]. 利照坚.广东工业大学 2019
[2]基于改进光流法的运动目标检测与跟踪[D]. 陈祺.哈尔滨工程大学 2019
[3]基于深度卷积神经网络和图像传感器的道路多目标检测研究[D]. 谢一德.北京交通大学 2018
[4]基于多通道成像的运动目标快速检测方法[D]. 文阔.西安电子科技大学 2014
本文编号：3709477
【文章页数】：77 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 课题研究背景与意义
1.2 国内外研究现状
1.2.1 基于传统方法的运动目标检测
1.2.2 基于深度学习的目标检测
1.2.3 基于深度学习的运动目标检测
1.3 交通场景下的运动目标检测难点
1.4 主要工作内容
1.5 论文结构安排
第二章 常用特征提取网络
2.1 VGG网络
2.2 ResNet网络
2.3 Hourglass网络
2.4 DLANet网络
2.5 本章小结
第三章 基于时空特征融合的运动目标检测方法
3.1 网络架构介绍
3.2 特征对齐模块
3.2.1 Farneback光流法的基本原理
3.2.2 基于光流法的特征对齐模块的实现
3.2.3 可变形卷积的基本原理
3.2.4 基于可变形卷积的特征对齐模块的实现
3.3 时空特征融合模块
3.4 目标检测子网络
3.4.1 Faster RCNN网络
3.4.2 CenterNet网络
3.4.3 目标检测子网络的选择
3.5 问题帧选取
3.5.1 基于图像相似度的问题帧选取
3.5.2 基于图像清晰度的问题帧选取
3.5.3 基于目标运动尺度的问题帧选取
3.6 本章小结
第四章 实验与分析
4.1 KITTI数据集实验
4.1.1 数据集介绍
4.1.2 评价指标介绍
4.1.3 数据预处理
4.1.4 训练与测试过程
4.1.5 结果与分析
4.2 UA-DETRAC数据集实验
4.2.1 数据集介绍
4.2.2 评价指标介绍
4.2.3 训练与测试过程
4.2.4 结果与分析
第五章 工作总结与展望
5.1 工作总结
5.2 工作展望
参考文献
致谢
学位论文评阅及答辩情况表
【参考文献】：
期刊论文
[1]基于融合特征的视频关键帧提取方法[J]. 张晓宇,张云华. 计算机系统应用. 2019(11)
[2]运动目标检测的ViBe算法改进[J]. 杨丹,戴芳. 中国图象图形学报. 2018(12)
[3]基于背景差分与帧间差分的目标检测改进算法[J]. 王梦菊,吴小龙,杜海涛. 自动化技术与应用. 2018(10)
[4]Farneback光流法在短临预报中的应用[J]. 安晶晶,刘高平,朱佳宁. 软件. 2018(10)
[5]基于改进混合高斯模型的运动目标检测方法[J]. 张国平,高兆彬. 计算机系统应用. 2017(04)
[6]基于改进的单高斯背景模型检测算法的研究[J]. 徐鸿伟,陈钱,钱惟贤. 激光与光电子学进展. 2016(04)
[7]一种改进的Sobel算子图像清晰度评价函数[J]. 钱青,臧冬菊. 计算机与数字工程. 2015(10)
[8]基于背景减除与三帧差分相融合的运动检测[J]. 邱联奎,刘启亮,雷文龙. 合肥工业大学学报(自然科学版). 2014(05)
[9]基于中国市场特定需求的汽车先进驾驶辅助系统发展趋势研究[J]. 马钧,曹静. 上海汽车. 2012(04)
硕士论文
[1]基于深度学习的车辆目标检测方法[D]. 利照坚.广东工业大学 2019
[2]基于改进光流法的运动目标检测与跟踪[D]. 陈祺.哈尔滨工程大学 2019
[3]基于深度卷积神经网络和图像传感器的道路多目标检测研究[D]. 谢一德.北京交通大学 2018
[4]基于多通道成像的运动目标快速检测方法[D]. 文阔.西安电子科技大学 2014
本文编号：3709477
本文链接：https://www.wllwen.com/kejilunwen/qiche/3709477.html