论文部分内容阅读
智能交通作为人工智能的一部分,在近些年成为研究的重点,其中,对监控视频的处理成为研究智能交通的重要渠道。通过对视频流进行处理,检测汽车目标的位置、行为以及安全系数,是研究智能交通的重要工作,同时将汽车目标的检测推广到连续帧则形成了对运动汽车的跟踪,对检测违章、打击犯罪以及提升道路交通安全贡献巨大。同时,如何快速准确地定位目标,以及如何对目标进行跟踪成为当前研究的热点。然而,现存的跟踪算法相对比较单一。传统算法存在几个缺点:某一算法往往只适合一种方式、场景的运动目标的跟踪;部分算法改进仅仅针对某一种情况,如:遮挡,形变等,兼容性差;同时准确度与时间复杂度不能兼顾,往往此消彼长。对于上述问题,本文首先从传统车辆目标跟踪的算法着手进行了解研究,在运动目标检测阶段提出一种基于改进混合高斯模型的运动目标检测算法,利用三帧差算法快速确定背景显露区域与前景,提高了算法对背景显露区域的适应性;提出一种背景模式邻域更新法,提高了对复杂背景噪音的抗干扰性。通过实验证明,该算法与传统方法相比,在复杂背景下减少了大量噪音,学习周期短,提高了对天气、摄像头震动等干扰的抗性,优化了背景显露引起的“影子”噪音问题。最后本文就深度学习在车辆跟踪领域的应用进行研究:利用Selective Search进行图像分割;利用级联结构的优势设计了一个两层级联结构;低阶分类器为简单的三层卷积网络与SVM分类器;高阶分类器为四层卷积神经网络结构结合了SoftMax分类器;利用ReLUs优化计算,加快收敛,缓解过拟合。通过实验表明该框架取得了良好的准确度,减小了中心误差,但同时仍存在时间消耗较大,训练样本需求大的问题。