《基于机器视觉的交通流量检测技术略谈》
该文是交通和机器视觉有关论文写作技巧范文和检测技术有关硕士学位论文范文.
摘 要：随着经济的快速增长,国内汽车保有量有了持续快速的增长.汽车数量的大量增长给城市交通带来了巨大的压力,出现了交通拥堵等一系列问题,制约了各地区的社会进步和经济发展.提高道路通行能力、减少交通拥堵、减少交通事故等问题亟待解决.本文主要研究交通流检测领域中的多目标运动车辆检测与跟踪技术.由于监控视频所处的环境、场景、目标和干扰的多样性,有必要研究移动多目标的检测与跟踪技术,以便更好地将交通流检测应用于交通监控视频中.基于多目标检测与跟踪的基本理论,提出了一种基于视频的运动车辆检测与跟踪方法.针对复杂的城市交通环境,采用Kalman滤波对视频序列中的车辆目标进行跟踪和计数.
关键词：机器视觉;交通流量;智能交通;车辆跟踪
引言
随着道路扩建的难度越来越大,如何更合理有效地利用现有的交通设施成为人们关注的焦点.然而,智能交通的产生打破了这个局面,智能交通将物联网、自动控制、云计算等现代电子信息技术应用于交通领域.交通流检测是智能交通的重要组成部分,负责采集道路交通流、车道占用率、交通事故信息等各种参数,交通流检测有助于了解交通状况,合理处理交通问题,减少道路拥堵,充分利用交通设施.
传统的交通流检测主要分为车辆检测和车辆跟踪两部分.对于传统的交通流检测方法来说,大部分的交通信息采集都是由单一的车辆检测器完成的,而车辆信息的提取较少,因此能够得到的车辆信息很少且不精确.一般情况下,只能检测到车速、行驶方向等信息,无法准确确定车辆的形状、颜色、品牌、型号等信息,因此在案件监控、检查、图像检索等方面没有很好的效果,区域车辆大数据分析等,所以不能更好的使用.为了解决这些问题,本文将车辆检测与车型识别相结合,对传统的流量监测方法进行了补充.通过机器学习的方法,对多角度交通车辆进行检测,对检测到的车辆前景图进行细粒度识别,并对车型、品牌等信息进行判断.
一 基于CNN的车辆检测与分类
利用CNN在图像特征深度提取方面的优势,将其应用于目标检测和目标分类.针对传统目标检测方法存在的各种问题,提出了一种基于深度CNN的方法,克服了传统方法的缺陷,实现了前景和背景的精确分离,实现了车辆目标检测的同时识别和分类,有助于实现细粒度的流量检测管理.
基于Faster R-CNN的车辆检测
在交通道路车辆检测中,传统的背景差分、帧差分等方法对前景对象（车辆）的检测精度较低（交通拥挤、车辆遮挡、车辆非法驾驶等会导致前景提取失败）、识别粒度大（仅对车辆进行粗分类）大型车和小型车根据前景块面积大小）,环境干扰大（背景受气候和日大影响大）;基于光流法和图像特征法的车辆检测技术也受环境干扰等复杂因素的影响,光照变化、车辆遮挡等,只能在特定条件下工作,且车辆检测鲁棒性差.但实际城市交通流视频监控设备的安装方式和工程环境不规范,采集到的视频流有不同的拍摄角度,使得传统的方法无法满足不同条件下的车辆检测要求.本文提出了一种基于深度CNN的方法,克服了传统方法的不足,同时实现了车辆目标检测和车辆分类.
二 基于Kalman的运动车辆跟踪
目标跟踪算法跟踪运动车辆和行人,并预测其速度和未来位置.基于计算机视觉的目标跟踪在智能监控、自动驾驶等领域发挥着重要作用.目标跟踪问题分为单目标跟踪和多目标跟踪.本文主要研究自然场景中的多目标跟踪问题.
1.车辆跟踪
一般情况下,跟踪目标的数量是不固定的,跟踪目标可以从某一特定跟踪区域的入口进入,也可以从出口离开.多目标跟踪问题跟踪某一类型的多个目标,但相似目標在外形和轮廓上具有一定的相似性.因此,为了准确跟踪多目标,需要解决以下问题：
（1）跟踪目标之间的交互和遮挡处理.
（2）准确区分每个目标.
（3）对新目标的出现和老目标的消失的准确处理.
（4）当目标丢失后再次出现时如何识别问题.
为了解决上述问题,本文采用基于深度学习的Mask R-CNN算法检测车辆位置信息,得到车辆位置帧和实际轮廓.本文训练的Mask R-CNN模型能够很好地分割目标的位置和轮廓,在复杂环境和夜间具有良好的检测效果.
在理想的情况下,可以在图像的每一帧中准确地获得运动车辆目标的轮廓和位置,并在两个相邻的图像帧之间正确地匹配每一个运动车辆目标,即可以确定每一车辆的运动轨迹.但是,由于Mask R-CNN无法正确检测实际交通道路中每一帧中的车辆,车辆停车、换道、阻塞和拥挤等原因,运动车辆的连续图像帧之间没有固定的运动预测规律,使得Kalman滤波无法精确跟踪多个运动目标.
2.基于改进Kalman滤波的运动车辆跟踪
基于改进Kalman滤波的运动车辆跟踪主要利用基于深度学习的Mask R-CNN算法获取物体位置和轮廓信息,然后采用Kalman滤波对这些车辆轮廓进行运动状态参数观测和估计实现运动跟踪.提出了一种基于Mask R-CNN算法进行车辆检测识别的方法,该方法具备在复杂路况下检测车辆轮廓的独特优势;然后采用改进的Kalman滤波多运动目标跟踪算法,在相邻帧之间完成多目标车辆跟踪与计数,能够克服连续帧中存在的车辆识别的漏检或误检问题.
三 结论
随着城市道路结构越来越复杂,拥挤程度越来越高,交通流检测技术有助于提高城市交通系统的运行效率,提高城市交通流控制的准确性和交通控制信号的科学定时,也是关键城市交通智能控制管理、交通流控制和交通诱导系统的技术基础.
参考文献
[1]吴正文.CNN在图像分类中的应用研究[D].电子科技大学,2015.
[2]姚钦文.基于CNN的车脸识别研究[D].浙江大学,2016.
[3]邓柳,汪子杰.基于深度CNN的车型识别研究[J].计算机应用研究,2016.
作者简介：
邹磊（1985-）,男,广西柳州人,大学本科（科科学与技术学士）,北京信路威科技股份有限公司图像算法工程师,研究方向：图像与视频分析技术在智能交通领域的应用.
结论：上文是关于交通和机器视觉方面的大学硕士和本科毕业论文,可作为检测技术相关论文开题报告范文和职称论文写作参考文献资料.
交通和机器视觉引用文献:
[1] 检测技术本科论文开题报告范文 关于交通和机器视觉毕业论文怎么写2万字
[2] 机器视觉论文范文 机器视觉方面研究生毕业论文范文2万字
[3] 机器视觉论文范文 机器视觉相关学年毕业论文范文2万字
