论文部分内容阅读
国家的经济条件直接影响着人们的出行方式,机动车几乎已经进入到了千家万户,在给我们的出行提供了方便之时,同时也给交通管理部门带来了繁重的工作量。为了减少交通事故的发生,在智能交通领域,如何实现视频监控中车辆危险特征的准确检测成为了一个热点问题。由于传统的人力监测会浪费大量的时间和精力,所以推动城市道路上的危险特征检测系统作为智能交通系统的研究是有重大意义的。针对传统Vi Be算法检测目标不完整等问题,提出了一种基于灰度投影运动估计的Vi Be算法改进,可得到更完整和清晰的前景目标。针对小目标检测难度大的场景,用深度学习技术设计了一种改进的GDT-YOLOv3高精度的目标检测算法。为了能更准确的判断车辆危险行为的发生,分析了车辆跟踪后得到的轨迹数据,同时提出了车辆逆行、变道和调头的判断准则。本文的主要工作与创新性研究成果如下:1)为了降低背景信息对目标检测的干扰,并提高检测精度,本文提出了一种基于灰度投影运动估计的Vi Be算法改进,此算法可分离全景视频图像的前景背景信息,有助于后续的目标检测与分类。实验结果表明,在消除鬼影及抗动态背景模型干扰等方面,本文改进的算法有很好的优势。2)为了解决视频图像中检测目标的准确率低、速度慢等问题。本文提出了一种改进的GDT-YOLOv3目标检测算法。首先用GIOU取代了IOU,可解决原IOU无法直接优化非重叠部分的问题。其次,在借鉴了密集连接网络的思想之后,将YOLOv3中的三个残差块更换为三个密集块可实现特征的复用与融合,同时引入了Max Pooling加强密集连接块之间的特征传递。在检测精度上,改进的GDT-YOLOv3比SSD512、YOLOv2与YOLOv3表现的更好。3)本文对具有危险特征行为的车辆进行检测时,首先利用了Kalman滤波算法跟踪车辆,可确定车辆的位置信息和运动轨迹,将得到的轨迹信息结合三种危险行为的判断法则,可准确的检测到车辆的危险特征行为。通过实验仿真结果图以及数据可证明,本文的判断方法可以应用于实际道路环境中危险事件的检测。