視頻序列中車輛的分類及行為分析研究
發(fā)布時間：2020-12-10 13:01
隨著國家交通網(wǎng)絡(luò)的日趨完善,交通工程的信息化和智能化已經(jīng)成為當(dāng)今發(fā)展的主流,而車輛的分類以及車輛的行為識別作為其中的關(guān)鍵技術(shù),在工業(yè)領(lǐng)域和學(xué)術(shù)領(lǐng)域同樣受到了廣泛關(guān)注。在車輛分類的過程中,車輛之間的相互遮擋和天氣條件等因素影響著其結(jié)果的準(zhǔn)確性和穩(wěn)定性;在對車輛進(jìn)行行為分析時,其結(jié)果的魯棒性和準(zhǔn)確性往往取決于視頻源拍攝的角度與質(zhì)量,這些都對車輛的分類及其行為識別技術(shù)提出了更高的要求。因此本文分別對車輛的分類算法和車輛的行為識別算法進(jìn)行了研究,主要貢獻(xiàn)如下:針對視頻序列中車輛的分類問題,本文提出一種基于改進(jìn)YOLOv3網(wǎng)絡(luò)的車輛分類方法。在YOLOv3目標(biāo)檢測網(wǎng)絡(luò)的基礎(chǔ)上,借鑒密集連接卷積網(wǎng)絡(luò)的設(shè)計思想,將原網(wǎng)絡(luò)中的殘差層替換為密集卷積模塊,并對網(wǎng)絡(luò)的設(shè)計結(jié)構(gòu)以及網(wǎng)絡(luò)的特征最小分辨尺度進(jìn)行調(diào)整與改進(jìn),參照金字塔網(wǎng)絡(luò)模型對車輛特征進(jìn)行多尺度的預(yù)測。利用Softmax函數(shù)作為分類器,將卷積層與對應(yīng)尺度密集卷積模塊融合的車輛特征進(jìn)行分類,基于錨點(diǎn)框機(jī)制標(biāo)注車輛的邊界框。根據(jù)單幀圖像的分類結(jié)果,設(shè)計目標(biāo)匹配跟蹤函數(shù)對視頻序列中的車輛進(jìn)行持續(xù)穩(wěn)定的檢測。針對視頻序列中車輛的行為分析問題,提出一種基于車...
【文章來源】：長春理工大學(xué)吉林省
【文章頁數(shù)】：81 頁
【學(xué)位級別】：碩士
【部分圖文】：
162）權(quán)值共享權(quán)值共享也稱作參數(shù)共享，通常卷積核能夠提取圖像中的紋理、顏色等特征，增加卷積核的個數(shù)可以實(shí)現(xiàn)對圖像中多種特征的提取，權(quán)值共享通過將各個卷積核的參數(shù)進(jìn)行確定，以實(shí)現(xiàn)改變卷積核的個數(shù)和尺寸達(dá)到調(diào)節(jié)卷積神經(jīng)網(wǎng)絡(luò)參數(shù)的目的，加快網(wǎng)絡(luò)的訓(xùn)練速度。如圖2.12所示，若第m+1層的每個神經(jīng)元節(jié)點(diǎn)與第m層的部分神經(jīng)元節(jié)點(diǎn)相連接，而在此基礎(chǔ)上通過權(quán)值共享的方式進(jìn)行處理，能夠進(jìn)一步降低權(quán)值參數(shù)的數(shù)量。W1W1W1W1W2W2W2W2W3W3W3W3第m層第m+1層W1W3W2圖2.12權(quán)值共享示意圖3）多特征圖多特征圖也稱作多卷積核，利用線性卷積核在圖像區(qū)域中進(jìn)行卷積運(yùn)算并增加偏置頂，最后將所得結(jié)果與非線性函數(shù)映射得到特征圖，多特征圖可以對原圖像的不同特征進(jìn)行刻畫。通常利用一個卷積核與圖像進(jìn)行卷積操作可以獲得圖像的一個特征響應(yīng)，利用多個卷積核與圖像進(jìn)行卷積運(yùn)算可以得到多個特征響應(yīng)，其具體計算過程如圖2.13所示。對于第m層特征圖1w中像素點(diǎn)(i,j)位置的響應(yīng)數(shù)值，需要利用第m-1層4個特征圖在像素點(diǎn)(i,j)的數(shù)值與4個卷積核進(jìn)行卷積操作相加獲取，對于第m層特征圖w2的計算方式操作同特征圖1w。圖2.13多特征圖計算示意圖2.3.3基于區(qū)域的目標(biāo)檢測模型基于區(qū)域的目標(biāo)檢測模型為兩階段目標(biāo)檢測方法，即把目標(biāo)檢測的過程分為生成候選框和識別框內(nèi)物體兩個部分，本節(jié)對經(jīng)典的兩階段目標(biāo)檢測方法的檢測原理進(jìn)行概述。1）R-CNNR-CNN算法[49]最先實(shí)現(xiàn)了將深度學(xué)習(xí)應(yīng)用到目標(biāo)檢測領(lǐng)域，為卷積神經(jīng)網(wǎng)絡(luò)在
ㄖ械幕??翱諶哂轡侍狻?通過R-CNN算法實(shí)現(xiàn)目標(biāo)檢測的具體過程如圖2.14所示，首先，通過選擇性搜索算法從原始的圖像中搜索并提取候選區(qū)域判定框；然后，針對需要處理的候選區(qū)域判定框，在縮放成固定維度的特征矩陣的基礎(chǔ)上再輸入到CNN網(wǎng)絡(luò)中，并通過支持向量機(jī)SVM算法實(shí)現(xiàn)對判定框獲得的CNN特征的分類；最后，根據(jù)候選區(qū)域的得分結(jié)果判斷原始圖像中目標(biāo)的所屬類別，并利用邊界回歸的思想對目標(biāo)的位置進(jìn)行計算。由于需要對每個候選區(qū)域框進(jìn)行特征提取與分類，因此通過R-CNN算法實(shí)現(xiàn)目標(biāo)檢測的過程計算量大、檢測速度慢。圖2.14R-CNN算法流程圖2）FastR-CNNFastR-CNN算法[50]可以視為R-CNN算法的進(jìn)階版，其在R-CNN網(wǎng)絡(luò)的基礎(chǔ)上參考了SPPNet網(wǎng)絡(luò)[51]的設(shè)計思想，引入ROI池化層的概念，同時在FastR-CNN算法中將邊框回歸預(yù)測與目標(biāo)分類兩個任務(wù)進(jìn)行歸一化處理，并一起加入到CNN網(wǎng)絡(luò)中進(jìn)行訓(xùn)練。FastR-CNN實(shí)現(xiàn)目標(biāo)檢測的原理如圖2.15所示。具體地，將原始圖像和經(jīng)過處理的候選區(qū)域判定窗口輸入到FastR-CNN網(wǎng)絡(luò)中，即完成對原始圖像的信息整合工作；然后，將候選區(qū)域判定窗口映射到CNN網(wǎng)絡(luò)的卷積特征圖上，并通過ROI池化層降采樣為固定尺寸傳遞至全連接層中；最后，采用并行連接的方式通過Softmax分類層輸出目標(biāo)類別，結(jié)合回歸層的輸出結(jié)果獲取目標(biāo)的位置信息。FastR-CNN由于省略特征的保存過程，因此節(jié)省了大量的存儲空間，在一定程度上提高了檢測的速度。但候選區(qū)域窗口的獲取依然為一個獨(dú)立的過程，并且該過程占據(jù)了整個檢測步驟的大量時間，仍然存在速度瓶頸的現(xiàn)象。圖2.15FastR-CNN算法流程圖
【參考文獻(xiàn)】：
期刊論文
[1]基于車道信息融合的車輛行為識別[J]. 宋士奇,樸燕,王健. 液晶與顯示. 2020(01)
[2]基于改進(jìn)YOLOv3的復(fù)雜場景車輛分類與跟蹤[J]. 宋士奇,樸燕,蔣澤新. 山東大學(xué)學(xué)報(工學(xué)版). 2020(02)
[3]網(wǎng)聯(lián)共享車路協(xié)同智能交通系統(tǒng)綜述[J]. 郭戈,許陽光,徐濤,李丹丹,王云鵬,袁威. 控制與決策. 2019(11)
[4]基于長短期記憶的車輛行為動態(tài)識別網(wǎng)絡(luò)[J]. 衛(wèi)星,樂越,韓江洪,陸陽. 計算機(jī)應(yīng)用. 2019(07)
[5]智能交通信息物理融合云控制系統(tǒng)[J]. 夏元清,閆策,王笑京,宋向輝. 自動化學(xué)報. 2019(01)
[6]基于感興趣區(qū)域模型的車道線快速檢測算法[J]. 錢基德,陳斌,錢基業(yè),陳剛. 電子科技大學(xué)學(xué)報. 2018(03)
[7]基于混合貝塞爾曲線模型的車道檢測算法[J]. 韓浩,王舜燕. 計算機(jī)工程與設(shè)計. 2018(03)
[8]基于協(xié)同表示的聲振傳感器網(wǎng)絡(luò)車輛分類識別[J]. 王瑞,劉賓,周天潤,楊羽. 上海交通大學(xué)學(xué)報. 2018(01)
[9]基于Fg-CarNet的車輛型號精細(xì)分類研究[J]. 余燁,金強(qiáng),傅云翔,路強(qiáng). 自動化學(xué)報. 2018(10)
[10]基于Haar-like和MB-LBP特征分區(qū)域多分類器車輛檢測[J]. 朱彬,王少平,梁華為,袁勝,楊靜,黃俊杰. 模式識別與人工智能. 2017(06)
博士論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像分類方法研究及應(yīng)用[D]. 高震宇.中國科學(xué)技術(shù)大學(xué) 2018
[2]復(fù)雜交通視頻場景中的車輛軌跡提取及行為分析[D]. 盧勝男.長安大學(xué) 2016
碩士論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測算法研究[D]. 周天怡.哈爾濱工業(yè)大學(xué) 2019
[2]基于深度卷積神經(jīng)網(wǎng)絡(luò)和圖像傳感器的道路多目標(biāo)檢測研究[D]. 謝一德.北京交通大學(xué) 2018
[3]基于深度學(xué)習(xí)的目標(biāo)檢測算法研究[D]. 李明攀.浙江大學(xué) 2018
[4]基于深度學(xué)習(xí)的交通視頻檢測及車型分類研究[D]. 楚翔宇.哈爾濱工業(yè)大學(xué) 2017
本文編號：2908739
【文章來源】：長春理工大學(xué)吉林省
【文章頁數(shù)】：81 頁
【學(xué)位級別】：碩士
【部分圖文】：
162）權(quán)值共享權(quán)值共享也稱作參數(shù)共享，通常卷積核能夠提取圖像中的紋理、顏色等特征，增加卷積核的個數(shù)可以實(shí)現(xiàn)對圖像中多種特征的提取，權(quán)值共享通過將各個卷積核的參數(shù)進(jìn)行確定，以實(shí)現(xiàn)改變卷積核的個數(shù)和尺寸達(dá)到調(diào)節(jié)卷積神經(jīng)網(wǎng)絡(luò)參數(shù)的目的，加快網(wǎng)絡(luò)的訓(xùn)練速度。如圖2.12所示，若第m+1層的每個神經(jīng)元節(jié)點(diǎn)與第m層的部分神經(jīng)元節(jié)點(diǎn)相連接，而在此基礎(chǔ)上通過權(quán)值共享的方式進(jìn)行處理，能夠進(jìn)一步降低權(quán)值參數(shù)的數(shù)量。W1W1W1W1W2W2W2W2W3W3W3W3第m層第m+1層W1W3W2圖2.12權(quán)值共享示意圖3）多特征圖多特征圖也稱作多卷積核，利用線性卷積核在圖像區(qū)域中進(jìn)行卷積運(yùn)算并增加偏置頂，最后將所得結(jié)果與非線性函數(shù)映射得到特征圖，多特征圖可以對原圖像的不同特征進(jìn)行刻畫。通常利用一個卷積核與圖像進(jìn)行卷積操作可以獲得圖像的一個特征響應(yīng)，利用多個卷積核與圖像進(jìn)行卷積運(yùn)算可以得到多個特征響應(yīng)，其具體計算過程如圖2.13所示。對于第m層特征圖1w中像素點(diǎn)(i,j)位置的響應(yīng)數(shù)值，需要利用第m-1層4個特征圖在像素點(diǎn)(i,j)的數(shù)值與4個卷積核進(jìn)行卷積操作相加獲取，對于第m層特征圖w2的計算方式操作同特征圖1w。圖2.13多特征圖計算示意圖2.3.3基于區(qū)域的目標(biāo)檢測模型基于區(qū)域的目標(biāo)檢測模型為兩階段目標(biāo)檢測方法，即把目標(biāo)檢測的過程分為生成候選框和識別框內(nèi)物體兩個部分，本節(jié)對經(jīng)典的兩階段目標(biāo)檢測方法的檢測原理進(jìn)行概述。1）R-CNNR-CNN算法[49]最先實(shí)現(xiàn)了將深度學(xué)習(xí)應(yīng)用到目標(biāo)檢測領(lǐng)域，為卷積神經(jīng)網(wǎng)絡(luò)在
ㄖ械幕??翱諶哂轡侍狻?通過R-CNN算法實(shí)現(xiàn)目標(biāo)檢測的具體過程如圖2.14所示，首先，通過選擇性搜索算法從原始的圖像中搜索并提取候選區(qū)域判定框；然后，針對需要處理的候選區(qū)域判定框，在縮放成固定維度的特征矩陣的基礎(chǔ)上再輸入到CNN網(wǎng)絡(luò)中，并通過支持向量機(jī)SVM算法實(shí)現(xiàn)對判定框獲得的CNN特征的分類；最后，根據(jù)候選區(qū)域的得分結(jié)果判斷原始圖像中目標(biāo)的所屬類別，并利用邊界回歸的思想對目標(biāo)的位置進(jìn)行計算。由于需要對每個候選區(qū)域框進(jìn)行特征提取與分類，因此通過R-CNN算法實(shí)現(xiàn)目標(biāo)檢測的過程計算量大、檢測速度慢。圖2.14R-CNN算法流程圖2）FastR-CNNFastR-CNN算法[50]可以視為R-CNN算法的進(jìn)階版，其在R-CNN網(wǎng)絡(luò)的基礎(chǔ)上參考了SPPNet網(wǎng)絡(luò)[51]的設(shè)計思想，引入ROI池化層的概念，同時在FastR-CNN算法中將邊框回歸預(yù)測與目標(biāo)分類兩個任務(wù)進(jìn)行歸一化處理，并一起加入到CNN網(wǎng)絡(luò)中進(jìn)行訓(xùn)練。FastR-CNN實(shí)現(xiàn)目標(biāo)檢測的原理如圖2.15所示。具體地，將原始圖像和經(jīng)過處理的候選區(qū)域判定窗口輸入到FastR-CNN網(wǎng)絡(luò)中，即完成對原始圖像的信息整合工作；然后，將候選區(qū)域判定窗口映射到CNN網(wǎng)絡(luò)的卷積特征圖上，并通過ROI池化層降采樣為固定尺寸傳遞至全連接層中；最后，采用并行連接的方式通過Softmax分類層輸出目標(biāo)類別，結(jié)合回歸層的輸出結(jié)果獲取目標(biāo)的位置信息。FastR-CNN由于省略特征的保存過程，因此節(jié)省了大量的存儲空間，在一定程度上提高了檢測的速度。但候選區(qū)域窗口的獲取依然為一個獨(dú)立的過程，并且該過程占據(jù)了整個檢測步驟的大量時間，仍然存在速度瓶頸的現(xiàn)象。圖2.15FastR-CNN算法流程圖
【參考文獻(xiàn)】：
期刊論文
[1]基于車道信息融合的車輛行為識別[J]. 宋士奇,樸燕,王健. 液晶與顯示. 2020(01)
[2]基于改進(jìn)YOLOv3的復(fù)雜場景車輛分類與跟蹤[J]. 宋士奇,樸燕,蔣澤新. 山東大學(xué)學(xué)報(工學(xué)版). 2020(02)
[3]網(wǎng)聯(lián)共享車路協(xié)同智能交通系統(tǒng)綜述[J]. 郭戈,許陽光,徐濤,李丹丹,王云鵬,袁威. 控制與決策. 2019(11)
[4]基于長短期記憶的車輛行為動態(tài)識別網(wǎng)絡(luò)[J]. 衛(wèi)星,樂越,韓江洪,陸陽. 計算機(jī)應(yīng)用. 2019(07)
[5]智能交通信息物理融合云控制系統(tǒng)[J]. 夏元清,閆策,王笑京,宋向輝. 自動化學(xué)報. 2019(01)
[6]基于感興趣區(qū)域模型的車道線快速檢測算法[J]. 錢基德,陳斌,錢基業(yè),陳剛. 電子科技大學(xué)學(xué)報. 2018(03)
[7]基于混合貝塞爾曲線模型的車道檢測算法[J]. 韓浩,王舜燕. 計算機(jī)工程與設(shè)計. 2018(03)
[8]基于協(xié)同表示的聲振傳感器網(wǎng)絡(luò)車輛分類識別[J]. 王瑞,劉賓,周天潤,楊羽. 上海交通大學(xué)學(xué)報. 2018(01)
[9]基于Fg-CarNet的車輛型號精細(xì)分類研究[J]. 余燁,金強(qiáng),傅云翔,路強(qiáng). 自動化學(xué)報. 2018(10)
[10]基于Haar-like和MB-LBP特征分區(qū)域多分類器車輛檢測[J]. 朱彬,王少平,梁華為,袁勝,楊靜,黃俊杰. 模式識別與人工智能. 2017(06)
博士論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像分類方法研究及應(yīng)用[D]. 高震宇.中國科學(xué)技術(shù)大學(xué) 2018
[2]復(fù)雜交通視頻場景中的車輛軌跡提取及行為分析[D]. 盧勝男.長安大學(xué) 2016
碩士論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測算法研究[D]. 周天怡.哈爾濱工業(yè)大學(xué) 2019
[2]基于深度卷積神經(jīng)網(wǎng)絡(luò)和圖像傳感器的道路多目標(biāo)檢測研究[D]. 謝一德.北京交通大學(xué) 2018
[3]基于深度學(xué)習(xí)的目標(biāo)檢測算法研究[D]. 李明攀.浙江大學(xué) 2018
[4]基于深度學(xué)習(xí)的交通視頻檢測及車型分類研究[D]. 楚翔宇.哈爾濱工業(yè)大學(xué) 2017
本文編號：2908739
本文鏈接：http://www.wukwdryxk.cn/kejilunwen/daoluqiaoliang/2908739.html
教材專著
