交通場景中的車輛跟蹤算法研究.pdf

1、智能化的交通解決方案已經成為緩解交通壓力的有效手段，人工智能和大數據的蓬勃發(fā)展，給智能交通領域帶來了新的活力和發(fā)展。與此同時，基于交通監(jiān)控的智能化算法是當前交通信息采集的前沿發(fā)展方向和熱點問題，而基于視頻的車輛檢測和跟蹤任務則是交通信息采集的基礎和關鍵工作，是多樣交通參數獲取的基礎數據支撐。由于交通場景的復雜性，造成了車輛檢測和跟蹤中存在諸多挑戰(zhàn)，例如遮擋、光照變化以及實時性要求等問題。近年來，深度學習技術在計算機視覺等領域取得了突破性

2、進展，也使得通過視頻分析方法實現交通狀態(tài)分析和理解成為了可能。隨著交通監(jiān)控設備的大量應用，具有豐富交通信息的視頻數據井噴式增長，因此快速、準確地車輛檢測和跟蹤方法對于交通信息獲取，交通運行管理具有重要意義。
　　本文基于實際道路中多維度的交通視頻監(jiān)控場景，以目前優(yōu)秀的目標檢測和跟蹤算法為基礎，對實現準確高效的車輛跟蹤算法進行了深入研究，提出了多模塊融合的車輛跟蹤框架。本文主要完成了以下工作:
　　首先，提出了基于深度神經網絡

3、的車輛檢測方法。依據車輛及其周圍環(huán)境信息，以候選區(qū)域提出網絡和檢測網絡組成的網絡結構為基礎，利用深度學習框架Caffe，訓練得到了魯棒的車輛檢測器。實驗驗證了算法在多種天氣和交通場景中取得了良好的效果。
　　其次，針對核化相關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習的模型更新方法。通過建立早期跟蹤模型的快照集合，結合近鄰幀收集的模型，采用增量更新的方式，構建了包含早期以及當前目標信息的主成分的跟蹤模型。通過與多種模型