论文部分内容阅读
2018年底,广西高速公路已建及在建总里程超过7800公里,平均每10公里安装一个高清视频监控系统来获取实时交通信息。然而这些监控系统中,具备道路信息自动获取以及车辆异常行为检测等功能的不足三分之一,大量监控视频仍需人工分析,监管效率低,不利于引导交通流、规范车辆行驶行为、减少交通事故。针对以上问题,本文基于深度学习目标检测方法和多目标视觉跟踪方法设计了一种智能交通视频监控系统。该系统可对高速公路上的交通目标进行位置检测、类型识别和多目标运动轨迹跟踪,具有多车型流量统计、车辆异常行为检测和行人抓拍等功能。主要研究内容有:(1)交通目标检测。研究了YOLO系列3种主要目标检测模型YOLOv1、YOLOv2、YOLOv3和基于高斯混合模型的运动目标检测方法原理并进行实验验证。实验结果表明,YOLOv3检测模型对交通目标中的小车、货车、客车、行人4类进行定位与类型识别准确率最高,达80%,比基于高斯混合模型的检测方法准确率提高了40%。(2)单目标视觉跟踪。首先介绍了单目标跟踪方法的分类及基本思想,然后分析了Camshift和DSST单目标跟踪方法原理,最后实验验证了Camshift、DSST、KCF、TLD四种经典单目标跟踪方法的性能。实验表明,DSST算法跟踪准确率达90%,每秒可处理101帧图像,是高效单目标跟踪器。(3)多目标视觉跟踪。提出了基于DSST跟踪器和多目标匹配的多目标跟踪方法,该方法使用YOLOv3检测结果初始化或者更新DSST跟踪器。首先分析了基于最近邻和基于目标特征相似度的多目标匹配方法原理;然后研究了多目标跟踪过程中新目标识别、跟踪器匹配更新和目标离开判别的方法;实验结果表明该方法能同时跟踪多个目标的运动轨迹。(4)智能交通视频监控系统设计。系统主要包括多车型流量统计、车辆异常行为检测、行人抓拍三部分。在实际场景下,建立数据集对YOLOv3模型进行训练;利用YOLOv3检测出小车,客车、货车、行人4类目标,使用多目标轨迹跟踪进行多车型流量统计、交通目标低速与停车两种异常行为检测、行人抓拍。实验结果表明,系统车流量统计的平均准确率为98.3%;对运动方向检测、低速运动判别、停车判别、行人抓拍的准确率均超过75%;系统的FPS值在17~30之间波动,基本满足实时要求。