论文部分内容阅读
随着社会的不断进步发展，人们的物质生活水平有了极大提升。汽车保有量逐年增长，与现有的道路交通体系间的矛盾日益凸显。为实现城市空间的可持续发展，保证高效便捷的交通服务，世界各国均加大了智能交通系统的研究与投入。深度学习与计算机视觉在硬件与算法上的突破，为人机交互、智能驾驶场景带来了新的机遇。本文对车速检测的研究背景与意义进行了分析，针对传统测速技术运行成本高、实时性差、现有视频测速算法易受外界干扰等局限性问题，提出利用卷积神经网络实现目标检测跟踪的单目实时车速检测方案。
本文选取KITTI数据集作为研究数据集，基于YOLO算法提出了一个由四个特定任务组成的网络，负责2D目标检测、深度估计、3D定位、局部角点回归，建立一种适应3D场景的检测网络结构。文中按照KITTIVisionBenchmark评估3D检测平均精度，实验结果表明与MonoFNnet、MonoPSR相比精度相似，但在检测速度上有极大的提升，验证了文中3D检测算法的准确性与实时性。
其次介绍并分析了SORT、DeepSORT等多目标跟踪算法，针对跟踪过程目标截断、遮挡、丢失、重现等常见问题，文中采用类似DeepSORT级联匹配中的预测更新算法，在基于单目摄像机的多目标跟踪中建立包含3D边界框交并比、中心点、置信度信息的运动模型，更好的利用深度信息完成连续帧间目标的关联匹配，增强跟踪识别准确度，减少目标ID转换次数和轨迹碎片的数量，显著提升了在目标遮挡、丢失时的系统鲁棒性。
最后将目标车辆看作是质心运动，根据相机标定将拍摄图片不同帧之间3D中心点像素距离变化转换为世界坐标系下的实际距离，获取目标与测速载体间的相对速度，结合载体速度表或高精度定位终端获取车辆的实时速度。实验表明本文提出的车速检测算法能够在提升检测准确性且满足实时性要求。
本文选取KITTI数据集作为研究数据集，基于YOLO算法提出了一个由四个特定任务组成的网络，负责2D目标检测、深度估计、3D定位、局部角点回归，建立一种适应3D场景的检测网络结构。文中按照KITTIVisionBenchmark评估3D检测平均精度，实验结果表明与MonoFNnet、MonoPSR相比精度相似，但在检测速度上有极大的提升，验证了文中3D检测算法的准确性与实时性。
其次介绍并分析了SORT、DeepSORT等多目标跟踪算法，针对跟踪过程目标截断、遮挡、丢失、重现等常见问题，文中采用类似DeepSORT级联匹配中的预测更新算法，在基于单目摄像机的多目标跟踪中建立包含3D边界框交并比、中心点、置信度信息的运动模型，更好的利用深度信息完成连续帧间目标的关联匹配，增强跟踪识别准确度，减少目标ID转换次数和轨迹碎片的数量，显著提升了在目标遮挡、丢失时的系统鲁棒性。
最后将目标车辆看作是质心运动，根据相机标定将拍摄图片不同帧之间3D中心点像素距离变化转换为世界坐标系下的实际距离，获取目标与测速载体间的相对速度，结合载体速度表或高精度定位终端获取车辆的实时速度。实验表明本文提出的车速检测算法能够在提升检测准确性且满足实时性要求。