论文部分内容阅读
随着城市社会的发展,机动车数量不断增加,城市道路堵塞情况日益严重,行人出行的安全风险也随之上升。智能交通系统的应用逐渐受到人们的广泛关注,对车辆与行人的安全检测是其重要的组成部分。车辆行人安全检测系统核心由车辆与行人目标检测、轨迹跟踪等模型组成,因此,提高对车辆行人目标识别的召回率与准确率、增强对目标运动方向的识别等优化方式能够显著提升车辆行人安全检测系统的稳定性、准确性。本文分析了基于视频的车辆行人检测系统的核心技术组成,并研究了其核心技术的现有方法,其中包括目标检测、目标轨迹跟踪,对上述技术的原有实现手段进行了研究总结,分析原有实现手段的优缺点,并针对研究场景进行优化。本文的主要研究工作如下:1)本文提出一种基于YOLO v3的改进目标识别算法,针对车辆行人目标检测场景中的问题进行两点优化:(1)优化非极大值抑制算法,提升算法对被遮挡目标的检测能力。(2)优化YOLO v3网络结构,提升对小目标及多尺度目标的识别能力。相较于传统YOLO v3算法,提升了召回率与准确率。2)本文将改进后的YOLO v3算法与Deep-Sort目标跟踪算法进行结合,构造出对小目标识别效果好、对被遮挡目标识别与跟踪能力强、有效避免目标序号ID跳变的车辆行人目标跟踪模型,对交通监控视频中的车辆行人目标进行有效跟踪,并获取其运动轨迹。3)本文设计并实现了车辆行人安全检测系统,系统通过车辆行人安全检测模型分析交通监控视频输入流,对视频中的车辆、行人目标数量进行实时统计,并监控视频中是否出现拥挤、拥堵交通安全风险事件。系统将分析所得的各项参数、安全风险事件通过行式数据库进行存储,以B/S应用程序的形式提供历史、实时参数及事件查看等功能。4)将本文构造的车辆行人目标跟踪模型与现有的目标跟踪模型进行对比实验,验证本文的车辆行人目标跟踪模型对于小目标、被遮挡目标的识别、跟踪能力。