大数据环境下基于LCNN的车辆目标跟踪
发布时间：2022-10-08 15:03
随着智慧城市、智慧交通的迅猛发展,产生了海量的交通视频数据。在复杂的交通环境中如何高效的跟踪车辆目标成为了当前亟需解决的问题。传统的目标跟踪方法在精度上有所不足,应用范围受到限制,无法满足新的需求,深度学习的发展为车辆目标跟踪提供了新的思路;同时在目前海量交通视频数据的环境下,传统的单机方法已经不能很好的适用于当下交通视频大数据的情况,人们需要视频数据被高效及时处理,分布式大数据处理框架成为了新的选择。在上述背景下,本文将深度学习与车辆目标跟踪相结合,提出了一种新型分层式的卷积神经网络LCNN（Layered CNN）,并以此为基础实现了基于分层式卷积神经网络的车辆目标跟踪算法VTT-LCNN（Vehicle Target Tracking based on Layered CNN）。这种新型的LCNN将传统的CNN分成两层:一层用于学习不同跟踪序列中车辆目标的一般性的特征,另一层学习各个不同跟踪序列中特有的特征。这个方法解决了原有目标跟踪算法精度较低、跟踪目标丢失的不足,提高了车辆目标跟踪的效果,并且在与其他现有的一些目标跟踪方法的对比分析中得到了验证。单机运行本文提出的基于LCNN...
【文章页数】：62 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 课题背景和研究意义
1.2 国内外研究现状
1.3 研究内容与方法
1.3.1 车辆目标跟踪方法的研究
1.3.2 基于分层式卷积神经网络的车辆目标跟踪算法
1.3.3 基于大数据处理平台的车辆目标跟踪
1.4 论文组织结构
第二章 相关概念及理论基础
2.1 经典目标跟踪方法概述
2.1.1 Meanshift
2.1.2 TLD
2.1.3 KCF
2.2 深度学习及相关概念
2.2.1 深度学习
2.2.2 卷积神经网络
2.3 深度学习目标跟踪方法概述
2.3.1 DLT
2.3.2 SO-DLT
2.3.3 FCNT
2.4 Spark大数据处理框架
2.4.1 Spark简介
2.4.2 Spark核心概念
2.4.3 Spark组件
2.5 本章小结
第三章 大数据环境下基于LCNN的车辆目标跟踪的设计与实现
3.1 基于LCNN的车辆目标跟踪算法
3.1.1 LCNN的设计
3.1.2 LCNN模型的训练
3.1.3 VTT-LCNN跟踪流程
3.2 Spark环境下并行化的VTT-LCNN算法设计与实现
3.3 大数据环境下的车辆目标跟踪框架
3.3.1 大数据环境下的车辆目标跟踪框架分析
3.3.2 大数据环境下的车辆目标跟踪框架设计
3.3.3 大数据环境下的车辆目标跟踪框架实现
3.4 本章小结
第四章 大数据环境下基于LCNN的车辆目标跟踪的测试与分析
4.1 传统经典目标跟踪方法的测试与分析
4.2 其他基于深度学习的目标跟踪算法测试与分析
4.3 VTT-LCNN算法测试与分析
4.4 Spark环境下基于LCNN的车辆目标跟踪测试与分析
4.4.1 实验环境
4.4.2 性能测试
4.4.3 可扩展性测试
4.4.4 小结
4.5 本章小结
总结与展望
课题主要完成的内容
课题创新点
后续研究工作
参考文献
攻读硕士学位期间取得的学术成果
致谢
【参考文献】：
期刊论文
[1]“互联网+智能交通”市场进入发展黄金期[J]. A.T.Kearney. 上海汽车. 2018(01)
[2]国内外智慧城市的现状与发展[J]. 闵丽. 上海电气技术. 2016(02)
[3]采用核相关滤波器的自适应尺度目标跟踪[J]. 张雷,王延杰,孙宏海,姚志军,吴培. 光学精密工程. 2016(02)
[4]八部委联合印发《关于促进智慧城市健康发展的指导意见》[J]. 建设科技. 2015(05)
[5]智能交通大数据处理平台之构建[J]. 周为钢,杨良怀,潘建,郑申俊,沈贝伦,沈俊青. 中国公共安全. 2014(17)
[6]视频处理在智能交通中的应用现状及发展趋势[J]. 姜丹,张素卿. 电视技术. 2013(S2)
[7]中国智能交通系统发展战略研究[J]. 王笑京,沈鸿飞,汪林. 交通运输系统工程与信息. 2006(04)
[8]信息产业部颁布《信息产业科技发展“十一五”规划及2020年中长期规划纲要》[J]. 通信世界. 2006(33)
[9]基于特征点光流和卡尔曼滤波的运动车辆跟踪[J]. 孙季丰,王成清. 华南理工大学学报(自然科学版). 2005(10)
硕士论文
[1]Hadoop分布式文件系统（HDFS）可靠性的研究与优化[D]. 翟永东.华中科技大学 2011
本文编号：3687927
【文章页数】：62 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 课题背景和研究意义
1.2 国内外研究现状
1.3 研究内容与方法
1.3.1 车辆目标跟踪方法的研究
1.3.2 基于分层式卷积神经网络的车辆目标跟踪算法
1.3.3 基于大数据处理平台的车辆目标跟踪
1.4 论文组织结构
第二章 相关概念及理论基础
2.1 经典目标跟踪方法概述
2.1.1 Meanshift
2.1.2 TLD
2.1.3 KCF
2.2 深度学习及相关概念
2.2.1 深度学习
2.2.2 卷积神经网络
2.3 深度学习目标跟踪方法概述
2.3.1 DLT
2.3.2 SO-DLT
2.3.3 FCNT
2.4 Spark大数据处理框架
2.4.1 Spark简介
2.4.2 Spark核心概念
2.4.3 Spark组件
2.5 本章小结
第三章 大数据环境下基于LCNN的车辆目标跟踪的设计与实现
3.1 基于LCNN的车辆目标跟踪算法
3.1.1 LCNN的设计
3.1.2 LCNN模型的训练
3.1.3 VTT-LCNN跟踪流程
3.2 Spark环境下并行化的VTT-LCNN算法设计与实现
3.3 大数据环境下的车辆目标跟踪框架
3.3.1 大数据环境下的车辆目标跟踪框架分析
3.3.2 大数据环境下的车辆目标跟踪框架设计
3.3.3 大数据环境下的车辆目标跟踪框架实现
3.4 本章小结
第四章 大数据环境下基于LCNN的车辆目标跟踪的测试与分析
4.1 传统经典目标跟踪方法的测试与分析
4.2 其他基于深度学习的目标跟踪算法测试与分析
4.3 VTT-LCNN算法测试与分析
4.4 Spark环境下基于LCNN的车辆目标跟踪测试与分析
4.4.1 实验环境
4.4.2 性能测试
4.4.3 可扩展性测试
4.4.4 小结
4.5 本章小结
总结与展望
课题主要完成的内容
课题创新点
后续研究工作
参考文献
攻读硕士学位期间取得的学术成果
致谢
【参考文献】：
期刊论文
[1]“互联网+智能交通”市场进入发展黄金期[J]. A.T.Kearney. 上海汽车. 2018(01)
[2]国内外智慧城市的现状与发展[J]. 闵丽. 上海电气技术. 2016(02)
[3]采用核相关滤波器的自适应尺度目标跟踪[J]. 张雷,王延杰,孙宏海,姚志军,吴培. 光学精密工程. 2016(02)
[4]八部委联合印发《关于促进智慧城市健康发展的指导意见》[J]. 建设科技. 2015(05)
[5]智能交通大数据处理平台之构建[J]. 周为钢,杨良怀,潘建,郑申俊,沈贝伦,沈俊青. 中国公共安全. 2014(17)
[6]视频处理在智能交通中的应用现状及发展趋势[J]. 姜丹,张素卿. 电视技术. 2013(S2)
[7]中国智能交通系统发展战略研究[J]. 王笑京,沈鸿飞,汪林. 交通运输系统工程与信息. 2006(04)
[8]信息产业部颁布《信息产业科技发展“十一五”规划及2020年中长期规划纲要》[J]. 通信世界. 2006(33)
[9]基于特征点光流和卡尔曼滤波的运动车辆跟踪[J]. 孙季丰,王成清. 华南理工大学学报(自然科学版). 2005(10)
硕士论文
[1]Hadoop分布式文件系统（HDFS）可靠性的研究与优化[D]. 翟永东.华中科技大学 2011
本文编号：3687927
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3687927.html
