论文部分内容阅读
城市的发展带来了一系列的城市交通问题,智能交通系统(Intelligent Transportation Systems,ITS)被认为是解决交通问题的最佳方法。车流量作为智能交通系统中重要的基础信息,如何快速、精确地进行车流量检测是智能交通系统的重要研究内容。随着计算机视觉和物联网技术的发展,交通视频监控成为交通信息采集的新技术并将发挥更大的作用,而如何快速、精确地对视频进行车辆检测和车流量统计是关键所在。传统的车辆检测方法如背景差分法、帧差法、光流法等具有一定的局限性,基于深度学习的目标检测方法逐渐成为主流方法。本文将深度学习应用于交通视频车流量检测,首先,针对缺少标注数据的问题,提出基于场景迁移的深度学习车辆检测模型构建方法;然后,针对车辆检测可能出现的漏检和误检情况,提出融合车辆跟踪的虚拟检测区车流量检测方法;最后,将路段拓扑关系引入车流量检测中,建立路段流量拓扑模型,对车流量检测结果进行校正。主要完成以下工作:(1)基于场景迁移的深度学习车辆检测模型构建方法研究:针对缺少标注数据的问题,在公开数据集的基础上,将迁移学习和深度学习相结合,采用基于样本的迁移学习和基于参数的迁移学习的策略,快速构建具有良好性能的深度学习车辆检测模型。(2)基于深度学习车辆检测的车流量检测方法研究:针对深度学习车辆检测法得到的车辆边界框这一形式的检测结果,考虑可能出现的车辆漏检和误检情况,综合传统基于虚拟检测区的车流量检测法和基于目标跟踪的车流量检测法两种车流量检测方法的思想,提出融合车辆跟踪的虚拟检测区车流量检测方法。(3)针对车辆漏检和误检的漏警抑制和虚警抑制研究:针对可能出现的车辆漏检和误检情况,在车流量检测模型中设计了基于车辆跟踪的漏警抑制模块和基于边界框尺寸统计的虚警抑制模块,避免由于车辆漏检和误检带来的车流量计数出错,进一步提高车流量检测精度。(4)基于路段流量拓扑模型的车流量校正研究:针对城市道路系统中各路段存在拓扑关系这一现象,将路段拓扑关系引入车流量检测中,提出了基于路段流量拓扑模型的车流量校正方法。利用该模型对各路段车流量检测结果进行精度评价和校正,通过检测结果较为可靠的路段的车流量检测结果,对检测结果较不可靠的路段进行校正。实验结果表明,本研究提出的方法可在缺少标注数据的情况下快速构建深度学习车流量检测模型,且所构建的模型在城市交通视频的车流量检测中具有较高的精度。在检测的运行效率方面,该方法具有较高的实时性,可达到实际应用的需求,进行实时的车流量检测。