攝像頭網(wǎng)絡(luò)中車輛檢測和識別方法的研究.pdf

1、近些年來，在視頻監(jiān)控聯(lián)網(wǎng)、高清化技術(shù)的推動下，交通行業(yè)視頻監(jiān)控業(yè)務(wù)的數(shù)據(jù)量快速增長。利用計算機視覺技術(shù)處理交通視頻得到有效的信息已經(jīng)逐漸被重視，并且根據(jù)監(jiān)控視頻內(nèi)容自動計算車輛運行軌跡已經(jīng)可行。本文針對攝像頭網(wǎng)絡(luò)中車輛檢測和識別問題進行了研究。對于攝像頭網(wǎng)絡(luò)，既需要對單攝像頭下視頻處理，又需要建立多個攝像頭間的聯(lián)系，從而完成在攝像頭網(wǎng)絡(luò)中對車輛進行連續(xù)的追蹤。本文主要完成了以下工作:
　　使用Faster Region with

2、Convolutional Neural Network feature網(wǎng)絡(luò)，在原有檢測模型的基礎(chǔ)上，重新標(biāo)記數(shù)據(jù)集，對網(wǎng)絡(luò)進行調(diào)優(yōu)，重新訓(xùn)練車輛檢測模型。在單攝像頭下，提出了基于重疊面積率的車輛追蹤算法，該算法利用相鄰兩幀視頻幀中目標(biāo)車輛的重疊面積率判定是否屬于同一軌跡，對于車輛被遮擋以及FasterR-CNN檢測失敗或漏檢的情況，加入卡爾曼濾波算法。利用卡爾曼濾波的預(yù)測機制，在進行重疊面積率計算后，若有未匹配成功的追蹤器或車輛，則使

3、用預(yù)測值進行匹配，這樣可以盡量避免因檢測失敗或車輛被遮擋而導(dǎo)致的追蹤車輛失敗的情況。除此之外，為更直觀的表達(dá)追蹤結(jié)果，使用單應(yīng)矩陣對追蹤結(jié)果進行了可視化。
　　在多攝像頭下，針對不同攝像頭下光照、拍攝角度等不同使得車輛再識別難度加大這一問題，本文根據(jù)攝像頭間的時空關(guān)系、車型屬性以及車輛ConvolutionalNeural Network特征建立了車輛再識別模型。其中利用攝像頭的地理位置可以得到攝像頭的空間信息，對視頻統(tǒng)計可以得到