攝像頭網(wǎng)絡(luò)中車輛檢測(cè)和識(shí)別方法的研究.pdf

1、近些年來，在視頻監(jiān)控聯(lián)網(wǎng)、高清化技術(shù)的推動(dòng)下，交通行業(yè)視頻監(jiān)控業(yè)務(wù)的數(shù)據(jù)量快速增長(zhǎng)。利用計(jì)算機(jī)視覺技術(shù)處理交通視頻得到有效的信息已經(jīng)逐漸被重視，并且根據(jù)監(jiān)控視頻內(nèi)容自動(dòng)計(jì)算車輛運(yùn)行軌跡已經(jīng)可行。本文針對(duì)攝像頭網(wǎng)絡(luò)中車輛檢測(cè)和識(shí)別問題進(jìn)行了研究。對(duì)于攝像頭網(wǎng)絡(luò)，既需要對(duì)單攝像頭下視頻處理，又需要建立多個(gè)攝像頭間的聯(lián)系，從而完成在攝像頭網(wǎng)絡(luò)中對(duì)車輛進(jìn)行連續(xù)的追蹤。本文主要完成了以下工作:
　　使用Faster Region with

2、Convolutional Neural Network feature網(wǎng)絡(luò)，在原有檢測(cè)模型的基礎(chǔ)上，重新標(biāo)記數(shù)據(jù)集，對(duì)網(wǎng)絡(luò)進(jìn)行調(diào)優(yōu)，重新訓(xùn)練車輛檢測(cè)模型。在單攝像頭下，提出了基于重疊面積率的車輛追蹤算法，該算法利用相鄰兩幀視頻幀中目標(biāo)車輛的重疊面積率判定是否屬于同一軌跡，對(duì)于車輛被遮擋以及FasterR-CNN檢測(cè)失敗或漏檢的情況，加入卡爾曼濾波算法。利用卡爾曼濾波的預(yù)測(cè)機(jī)制，在進(jìn)行重疊面積率計(jì)算后，若有未匹配成功的追蹤器或車輛，則使

3、用預(yù)測(cè)值進(jìn)行匹配，這樣可以盡量避免因檢測(cè)失敗或車輛被遮擋而導(dǎo)致的追蹤車輛失敗的情況。除此之外，為更直觀的表達(dá)追蹤結(jié)果，使用單應(yīng)矩陣對(duì)追蹤結(jié)果進(jìn)行了可視化。
　　在多攝像頭下，針對(duì)不同攝像頭下光照、拍攝角度等不同使得車輛再識(shí)別難度加大這一問題，本文根據(jù)攝像頭間的時(shí)空關(guān)系、車型屬性以及車輛ConvolutionalNeural Network特征建立了車輛再識(shí)別模型。其中利用攝像頭的地理位置可以得到攝像頭的空間信息，對(duì)視頻統(tǒng)計(jì)可以得到