交通場(chǎng)景中的車(chē)輛跟蹤算法研究.pdf

1、智能化的交通解決方案已經(jīng)成為緩解交通壓力的有效手段，人工智能和大數(shù)據(jù)的蓬勃發(fā)展，給智能交通領(lǐng)域帶來(lái)了新的活力和發(fā)展。與此同時(shí)，基于交通監(jiān)控的智能化算法是當(dāng)前交通信息采集的前沿發(fā)展方向和熱點(diǎn)問(wèn)題，而基于視頻的車(chē)輛檢測(cè)和跟蹤任務(wù)則是交通信息采集的基礎(chǔ)和關(guān)鍵工作，是多樣交通參數(shù)獲取的基礎(chǔ)數(shù)據(jù)支撐。由于交通場(chǎng)景的復(fù)雜性，造成了車(chē)輛檢測(cè)和跟蹤中存在諸多挑戰(zhàn)，例如遮擋、光照變化以及實(shí)時(shí)性要求等問(wèn)題。近年來(lái)，深度學(xué)習(xí)技術(shù)在計(jì)算機(jī)視覺(jué)等領(lǐng)域取得了突破性

2、進(jìn)展，也使得通過(guò)視頻分析方法實(shí)現(xiàn)交通狀態(tài)分析和理解成為了可能。隨著交通監(jiān)控設(shè)備的大量應(yīng)用，具有豐富交通信息的視頻數(shù)據(jù)井噴式增長(zhǎng)，因此快速、準(zhǔn)確地車(chē)輛檢測(cè)和跟蹤方法對(duì)于交通信息獲取，交通運(yùn)行管理具有重要意義。
　　本文基于實(shí)際道路中多維度的交通視頻監(jiān)控場(chǎng)景，以目前優(yōu)秀的目標(biāo)檢測(cè)和跟蹤算法為基礎(chǔ)，對(duì)實(shí)現(xiàn)準(zhǔn)確高效的車(chē)輛跟蹤算法進(jìn)行了深入研究，提出了多模塊融合的車(chē)輛跟蹤框架。本文主要完成了以下工作:
　　首先，提出了基于深度神經(jīng)網(wǎng)絡(luò)

3、的車(chē)輛檢測(cè)方法。依據(jù)車(chē)輛及其周?chē)h(huán)境信息，以候選區(qū)域提出網(wǎng)絡(luò)和檢測(cè)網(wǎng)絡(luò)組成的網(wǎng)絡(luò)結(jié)構(gòu)為基礎(chǔ)，利用深度學(xué)習(xí)框架Caffe，訓(xùn)練得到了魯棒的車(chē)輛檢測(cè)器。實(shí)驗(yàn)驗(yàn)證了算法在多種天氣和交通場(chǎng)景中取得了良好的效果。
　　其次，針對(duì)核化相關(guān)濾波跟蹤方法在模型更新方面的缺陷，提出一種基于增量學(xué)習(xí)的模型更新方法。通過(guò)建立早期跟蹤模型的快照集合，結(jié)合近鄰幀收集的模型，采用增量更新的方式，構(gòu)建了包含早期以及當(dāng)前目標(biāo)信息的主成分的跟蹤模型。通過(guò)與多種模型