论文部分内容阅读
随着智能交通系统的发展与交通部门对道路监控实现前端智能的需求,基于图像信息的道路车流量检测算法的研究与实现成为非常迫切的需求,道路车流量检测为智能交通系统提供基础决策数据,有助于交通管理部门对交通进行优化调度。本课题在研究运动目标检测算法基础上,针对混合高斯模型与多任务卷积神经网络模型在车辆检测中存在的若干问题进行分析与改进;并提出了融合混合高斯模型与多任务卷积神经网络模型的车流量检测策略;最终实现一款能在多种复杂环境下对道路车流量进行高精度检测的车流量检测算法,并成功将其移至到Hi3516D平台。本文的主要研究内容为:(1)针对混合高斯模型背景建模存在的高斯分布分量分配不合理、仅对孤立点建模忽视像素点邻域各点关联性、无法准确检测缓慢运动或短暂静止的运动目标等若干问题,提出了自适应高斯分布分量策略、时域空域混合建模策略、双路动态更新学习率建模策略三种改进方案,加快了背景建模速度,实现了在较为复杂环境下对于缓慢运动目标和暂时静止目标的准确检测。同时,本课题提出凹点匹配的粘连目标检测分割算法解决车辆相互粘连问题,提出基于卡尔曼轨迹跟踪的车流量统计方法,实现对道路车流量的检测;并设计了多组实验,证明本课题改进高斯模型车流量检测算法的有效性。(2)针对混合高斯模型车流量检测在道路拥堵条件下准确率低的问题,提出了采用拥堵判别方法将混合高斯模型与多任务卷积神经网络模型进行融合的车辆检测策略;并针对多任务卷积神经网络模型存在的检测精度不高问题提出内部级联结构与双流卷积神经网络结构;最终实现在拥堵条件下对道路车流量的准确检测。同时,本课题设计了多组实验,分别证明了本课题基于模糊综合模型拥堵判别方法、改进多任务卷积神经网络车辆检测法、融合混合高斯模型与多任务卷积神经网络模型车流量检测法的有效性。(3)在分析Hi3516D平台特性的基础上,本课题成功实现上述车流量检测算法移植到Hi3516D中,并利用Hi3516D硬件加速引擎实现车流量检测算法的速度的优化。主要过程包括Hi3516D开发环境的搭建,车流量检测算法依赖库的移植,依据Hi3516D处理视频序列的流程对算法进行的拆分与移植,利用平台的硬件加速算子对算法进行的替代与优化;并设计了多组实验,证明本课题车流量检测算法移植到Hi3516D平台的可行性与有效性。