论文部分内容阅读
在智能交通领域中,监控视频中交通信息参数的检测日益重要,利用计算机视觉技术处理日益增长的视频数据量成为了智能交通研究的主要方向。如何实时准确的获取监控数据中相关参数信息无疑是该研究的关键。本文针对监控视频中车流量检测技术展开研究,首先在压缩域提取出车辆的候选区域,然后将这些车辆区域作为深度学习检测车辆的先验知识进一步精确的检测,将压缩域检测和像素域检测结合起来,既满足了车辆检测的实时性,同时又具有很高的检测精确度。最后在检测的基础上提出了基于预测机制的多目标追踪计数算法,完成了监控视频中车流量实时检测的要求。本文的主要工作如下:(1)研究基于HEVC压缩域的运动目标检测问题,提出了联合运动矢量和编码单元信息的运动车辆检测算法。根据HEVC码流结构和语法语义信息,选取运动矢量、编码单元参数信息作为压缩域运动物体检测特征,然后对运动矢量进行滤波、归一化和矢量场累积以去除噪声的干扰,对CU的尺寸进行归一化,便于判断编码单元分割深度。根据运动矢量的幅度和角度差异值来判断运动物体区域,提取运动物体区域内的编码块大小和分割深度信息,对车辆边缘进行精细检测。实验证明,本文方法能够得到完整的运动车辆区域,完成压缩域运动车辆的检测。为后续深度学习检测目标车辆提供了基础。(2)提出了一种融合压缩域信息的Faster R-CNN的车辆检测算法,把从压缩域信息中得到的车辆区域作为先验条件来对RPN计算出的目标区域进行筛选,使得网络后续处理的数据量大幅下降。文中首先对原有的Faster R-CNN模型进行调优重新训练,使其适用于监控摄像头下的车辆目标检测问题,然后针对RPN存在大量计算冗余问题,使用压缩域提取的车辆区域对RPN提取的候选区域根据面积重叠准则进行筛选。实验证明,本文提出的算法在保证准确率的同时使得候选区域的数量降低至50%左右,解决了深度学习用于目标检测的时延问题。(3)针对监控视频中车流量检测,提出了基于预测机制的多目标车辆跟踪计数算法。根据深度学习得到的车辆目标区域和位置信息,采用相邻帧之间车辆重叠面积率算法对车辆进行匹配跟踪计数,为了解决车辆因遮挡或漏检而造成的计数误差问题,本文加入了卡尔曼预测机制,对漏检的车辆位置信息进行预测匹配,并根据监控区域内车辆匹配状态进行车辆计数操作。实验结果验证了本文提出的算法能够满足实际工程应用所需的准确性。