發(fā)布時間：2020-11-10 19:33

　　 隨著國民經(jīng)濟水平的逐步提升,私有車數(shù)量的增長為人們帶來了極大便利,同時也出現(xiàn)了交通擁堵等社會問題,擁堵現(xiàn)象加劇使基于圖像處理的車輛排隊長度檢測成為智能交通領(lǐng)域的重要研究內(nèi)容,它能夠?qū)崟r、準確地獲取道路上的排隊信息,對于緩解交通擁堵問題具有重要意義。本文針對車輛排隊長度檢測問題,采用傳統(tǒng)圖像處理方法和基于深度學習的圖像處理方法,分別利用視頻和圖片,對車輛排隊長度檢測進行了研究。(1)構(gòu)建了一種基于特征點跟蹤的車輛排隊長度檢測方法。首先通過自動檢測車道線分離單個機動車道作為興趣區(qū),之后在興趣區(qū)中對車輛特征點進行軌跡跟蹤,利用軌跡信息判斷排隊隊列。最后經(jīng)過一種相機標定算法,將隊列像素距離映射為實際空間距離,得到真實的排隊長度。經(jīng)過實驗,該方法檢測精確率F1值為91.96%,150米內(nèi)平均誤差為5.17%。(2)構(gòu)建了一種基于深度學習目標檢測的排隊長度檢測方法。通過分析第一種方法中特征點檢測不準確及跟蹤不穩(wěn)定的問題,結(jié)合檢測性能更好的深度學習算法,以VGG16網(wǎng)絡(luò)模型為基礎(chǔ),在SSD框架上進行了訓練及測試,接著使用KCF算法對車輛目標進行跟蹤從而得到其運動狀態(tài)。最后根據(jù)目標檢測的位置,在檢測框中進行特征點檢測,從而得到車輛排隊長度,其中對隊尾為大型車輛的隊列長度進行了距離補償。對比實驗證明,基于深度學習的方法與傳統(tǒng)方法相比F1值提高了3.76%,150米內(nèi)平均誤差減少了1.33%,且能夠得到隊列中的車輛個數(shù)。(3)構(gòu)建了一種基于深度學習圖像分割的排隊長度檢測方法。對于車輛目標檢測方法中存在的目標遮擋導致精度下降的問題,選擇了基于深度學習的圖像分割算法,通過對數(shù)據(jù)集的嚴格標注,使用基于VGG16修改得到的全卷積網(wǎng)絡(luò)進行車輛排隊隊列的分割。之后計算模型檢測結(jié)果中被標記為隊列的像素長度,再根據(jù)相機標定得到實際排隊長度。實驗結(jié)果表明,其對隊列檢測的F1值為97.53%,150米內(nèi)的平均誤差為3.06%。相比于前兩種基于視頻的方法,圖像分割算法基于單張圖片進行檢測,對硬件及內(nèi)存的要求更小,應(yīng)用價值更大。
【學位單位】：長安大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：U495;TP391.41
【部分圖文】：

018年第三季度全國擁堵情況排名

一維向量循環(huán)矩陣

二維圖像循環(huán)矩陣
【參考文獻】

相關(guān)期刊論文 前8條

1 趙冉陽;張心言;吳志紅;;基于復式滑動窗口的車輛排隊長度檢測方法[J];計算機技術(shù)與發(fā)展;2015年11期

2 趙歡;;中國主要城市交通分析報告——市民躲避擁堵出行建議[J];時代汽車;2014年08期

3 侯禹騰;;數(shù)據(jù)增廣求解貝葉斯Logistic回歸模型的方法研究[J];計算機光盤軟件與應(yīng)用;2014年15期

4 沈振乾;苗長云;張芳;;基于視覺的路口車輛排隊長度檢測方法[J];計算機工程;2014年04期

5 朱超軍;楊紅雨;劉東輝;李浩民;王世豪;;基于實時視頻圖像處理的車輛排隊長度檢測[J];計算機技術(shù)與發(fā)展;2014年04期

6 郭繼孚;劉瑩;余柳;;對中國大城市交通擁堵問題的認識[J];城市交通;2011年02期

7 楊永輝;黃磊;劉昌平;;基于視頻分析的車輛排隊長度檢測[J];計算機應(yīng)用研究;2011年03期

8 朱殿舉;;我國汽車分類標準[J];交通世界;1997年08期

本文編號：2878270