基于YOLOv3和DeepSort的车流量检测

针对传统多目标跟踪算法的检测跟踪精度低、鲁棒性差的缺点,基于经典的Tracking-By-Detection模式,提出一种基于YOLOv3和DeepSort的车流量检测方法,实现了车辆视频监控端到端的车流量视频的实时监测与跟踪计数.采用深度学习YOLOv3算法检测视频车辆目标,然后利用深度学习DeepSort算法对检测...     

基于支持向量机的视频交通信息采集研究

提出一种基于支持向量机的视频交通信息采集的设计方案.通过对视频交通流的采集、处理和分析,获取所需样本数据,采用导师训练方法训练支持向量机识别器.最后利用获得的识别器判断检测区域内交通流图像的类别,从而动态跟踪车辆,实现交通流量、车速、车型信息的采集.     

浅谈车载动态取证系统之技术组成和功能实现

1什么是车载动态取证系统 目前。交通执法部门如交通警察、运输管理部门等,在公路现场处理违章事件时,经常会遇到一个最大的问题——取证难,例如无法记录车辆违章过程中的信息,或没有纪录到违章车辆的标志特征,导致违章行为难以处理;还有在进行车辆稽查时,无法查询车辆历史违章和未处理的违章信息;以及远程指挥中心无法获取执法现场具体情况（如照片、视频信息）等。     

林区视频监控下车流量分类统计

针对林区环境中通过监控视频统计车流量的传统方法提取车辆特征困难、无法分类统计等问题,提出了一种基于YOLOv5结合DeepSORT的车流量分类统计方法。该方法使用目标检测算法YOLOv5作为检测器对车辆进行分类检测,为了提升实际场景中的车辆检测效果,在算法中融入CBAM注意力机制增强检测器对车辆的特征提取能力,同时将NMS改进为DIoU-NMS,解决了因车辆相互遮挡导致的漏检问题。使用目标跟踪算法DeepSORT对检测到的车辆进行跟踪,为了减少车辆身份切换现象,将重识别网络在车辆重识别数据集上重新训练。最后通过在视频中设置虚拟线的方法对跟踪到的车辆进行统计。将该方法在实际场景中进行效果验证,实验结果表明,总体车流量统计准确率较改进前提升10.1%,汽车、货车、客车的车流量统计准确率分别为91.8%,94.6%,93.8%。     

无人机辅助智能交通系统中面向视频多播的资源优化

在智能交通系统（Intelligent Transportation System, ITS）中,实时交通视频可以辅助网联车做出更理智的决策。然而,由于车载传感器位置和数量的限制,车辆无法全面掌握交通环境,不利于行车安全;此外,当多个车辆用户请求相同的视频内容时,传统的单播传输模式存在效率低下的问题。为了解决这些问题,基于非正交多址接入（Non-Orthogonal Multiple Access, NOMA）和可伸缩视频编码（Scalable Video Coding, SVC）技术,提出了一种无人机（Unmanned Aerial Vehicle, UAV）辅助ITS的交通视频多播方案。通过联合优化车辆分组和功率分配策略,最大化车辆接收的长期视频质量。将该优化问题建模为一个马尔可夫决策过程（Markov Decision Process, MDP）,并采用Soft Actor-Critic(SAC)算法来求解。大量仿真结果表明,该算法具有很强的探索能力,而且收益性能优于传统Actor-Critic(AC)算法。     

复杂交通场景中的车辆检测与跟踪新方法

提出了复杂交通场景中的车辆检测新方法,采用背景差法进行运动对象分割,并结合运动边缘检测以提高检测的准确性,对提取出的感兴趣区域按一定规则进行区域融合以检测车辆。提出基于区域特征匹配的车辆跟踪新方法,通过计算车辆链表中区域的特征向量与当前帧运动区域特征向量的距离确定匹配车辆,实现车辆跟踪。同时利用“确定车辆”、“临时车辆”规则解决车辆遮挡和阴影问题。实验结果表明该方法简单有效,能有效解决车辆遮挡和阴影问题,实时提取交通信息。     

基于单目视觉的四旋翼飞行器目标跟踪算法研究

以AR.drone四旋翼飞行器为研究平台,提出一种基于AR.drone前置单目摄像头,并结合卡尔曼滤波跟踪视频中移动目标的方法。将采集得到的RGB图像经过颜色空间转换成对光照变化影响不大的HSV图像;通过OpenCV对视频中跟踪目标的图像去噪,对轮廓进行检测寻找图像中最大的轮廓目标,并通过卡尔曼滤波对目标位置进行修正;计算四旋翼飞行器的飞行朝向并实现四旋翼飞行器对视频区域里移动目标的跟踪。实验表明,该方法有效地实现了对移动目标跟踪的准确性、稳定性和快速性。     

保持稀疏重构的半监督字典学习在扶梯场景下的应用

基于目标检测、场景识别的行人安全检测手段已经成为扶梯安全监测领域的新思路,经过优化的图像识别算法可以在高速GPU平台上对视频进行实时分析。针对复杂的扶梯场景,通过增量张量子空间的背景模型分割前景获得目标的运动区域后,需要快速、准确地判断该运动区域是否为人体。该文研究了基于保持稀疏重构的思想,迫使跟踪结果中确实是目标本身的数据共享少量字典模板,排除目标运动区域像素被噪声污染或被其他物体遮挡的可能性,进而采用半监督字典学习的方法,剔除跟踪结果中的非目标样本,同时也为下一步鲁棒的人体跟踪提供了可靠的模板。     

基于移动机器视觉和多维图像特征的道路交通流检测方法研究

本文提出一种基于移动机器视觉的多维图像特征的道路交通流检测方法,使用搭载相机的无人机在空中获取图像,再用特征提取的方法将图像降维,使用车辆跟踪算法实现车辆检测与跟踪,结合混合高斯背景建模、中值滤波等图像处理算法对图像进行处理后,通过视频中的虚拟检测线、检测框并结合相应的交通流参数算法,实现对断面流量、车速、多车道车流等交通流量检测。     

基于减法聚类算法的视频运动目标定位

针对视频运动目标定位的需要,本文给出了一种新的视频运动目标定位方法.该方法运用减法聚类算法对视频运动目标进行定位.分析了减法聚类算法的原理,给出了减法聚类算法的公式推导,目标定位的实现步骤及流程框图.研究了本文方法对不同类型视频运动目标的定位效果,并与基于区域生长的定位方法进行了详细比较.结合实验数据说明了本文方法的定位过程、处理时间及抗噪性能.实验结果表明,本文方法适用于待定位视频序列二值图像存在较大噪声斑点或空域连通特性较差的场合.     

基于小波多分辨力分析的低信杂比下点目标跟踪方法

低信杂比下的小目标跟踪问题是目标跟踪领域中的难点,本文在理论分析的基础上提出了用小波多分辨力分析法跟踪低信杂比下的点目标,同时讨论了该方法与基于边缘检测的跟踪方法的区别。最后用以天空为背景的视频序列及以海洋为背景的视频序列做了实验研究,结果表明本文所提方法能够准确跟踪低信杂比下的点目标。     

基于卡尔曼滤波器的运动目标跟踪的实现

联系智能视频监控系统的现状,对运动目标跟踪技术的发展,提出了基于卡尔曼滤波的目标跟踪算法进行了详细论述,并进行实验验证。实验结果表明,系统能同时跟踪多个运动目标,系统实时性也能满足,基本解决了运动遮挡问题。     

智能目标检测与跟踪系统的设计与实现

为了实现复杂背景下对任意目标的智能检测与稳定跟踪,设计了基于双DSP结构的集视频处理、云台运动控制于一体的实时电视跟踪系统.系统采用模块化硬件结构,并提供直接用户接口可使系统脱离上位机独立工作.同时改进了目标识别算法,提出一种基于区域分割的相关模板提取方法.利用自适应空域滤波器分割出目标区域,再用二次投影法快速提取目标,并以模板评价函数为准则实时更新模板.具有模板自适应性强,目标判断准确,跟踪鲁棒性好等优点.外场实验表明,在目标变化和有物体遮挡干扰的情况下,系统能准确提取任意指定目标,并保持连续稳定的跟踪.     

基于ARM7的移动智能车辆稽查系统的设计

移动智能车辆稽查系统以ARM7为核心,集成了视频采集、GPS定位、无线网络传输等硬件模块,并利用基于ADS集成开发环境的嵌入式软件开发平台进行了系统软件设计。通过软硬件协同设计实现了实时视频图像采集、智能车牌识别、GPS定位以及无线网络传输等功能,满足交通稽查部门对违规车辆不停车稽查的要求。     

基于非稀疏多核支持向量机的重现行人识别

目前,视频跟踪正向大范围长时间目标跟踪研究方向发展。重现行人识别是对行人目标进行大范围长时间持续跟踪的关键技术,是后续行为分析的基础。本文提出了一种基于非稀疏多核支持向量机的重现行人识别算法。首先,该方法提取跟踪行人视频图像序列的多层SIFT视觉单词树特征和多层颜色直方图特征。接着,利用高效的非稀疏多核支持向量机算法在线融合多层SIFT视觉单词树特征和多层颜色直方图特征得到行人外观模型。最后利用存储的行人外观模型库对重现行人进行识别。该方法可应用于多摄像机视频监控中同一行人目标的跨摄像机跟踪以及单摄像机监控中行人目标重新出现的识别。实验结果表明,该方法能快速训练人体目标外观模型,能获得很高的识别率。     

一种新的基于区域的高速公路多车辆跟踪方案

提出一种新的基于区域的高速公路多车辆跟踪方案,包括背景建模、目标识别、目标跟踪等过程。针对高速公路监控图像质量差和干扰信号强的特点,在常规的颜色混合高斯背景模型的基础上,提出一种新的基于扰动区域的高斯背景模型来消除强噪声和背景小幅度运动的影响,并在时间序列上通过Kalman滤波迭代加权算法实现背景模型的自适应性更新。该背景模型明显提高了背景分割的准确性和自适应性。提出了一种改进的非递归区域生长算法用以有效地实现多目标的识别,算法复杂度仅为O(n)。采用目标特征匹配和区域运动预测规则对多车辆进行实时跟踪和识别。实现了一个高速公路实时监控原型系统,运行结果表明,该跟踪方法不仅能准确跟踪和识别多目标,而且对道路环境和车辆运动方向具有很好的适应性和鲁棒性。     

一种特征点跟踪的运动目标检测

提出一种基于特征点跟踪的运动目标分割算法。在角点跟踪过程中,8等分匹配点邻域,构造方向子邻域提高匹配精度;提出一种新的聚类准则抽取最优特征子集估计运动参数;结合统计方法消除残差噪声;采用时域滤波滤除孤立区域检测出运动目标。对200帧可见光视频序列和100帧红外图像序列中运动汽车进行检测分割实验,检出率分别达到96%和94%。     

基于多尺度感知哈希特征的目标跟踪算法研究

研究了目标跟踪与检测。考虑到其应用环境复杂,造成对光照变化鲁棒性不强,目标跟踪过程中数据丢失,实时跟踪时检测速度不够的问题,结合哈希指纹特征对光照变化鲁棒性强的特点,提出了一种基于多尺度(multi-scale)感知哈希(Hash)特征的目标跟踪算法,即MHash算法。该算法采用多种尺度扫描窗口对待检测图像进行扫描,利用双线性内插值的方法缩小扫描窗口提取哈希指纹特征;同时利用汉明距离与高斯分布相结合的方法对扫描窗口进行评价,评分最高的作为目标窗口。该算法已应用于人脸、运动车辆及快速和缓慢移动物体的跟踪与检测,并分析了跟踪与检测结果。结果表明,MHash算法具有速度快、跟踪稳定及对光照、目标尺度变化鲁棒性强的特点,能够长期有效地对目标进行跟踪。     

基于SSD-CF的无人艇目标检测跟踪方法

针对目前目标检测和目标跟踪算法对无人艇运算配置要求高、速度慢等问题,该文一种提出基于SSD-CF的无人艇目标检测跟踪方法。利用MobileNets结构结合SSD目标检测算法构建轻量级卷积神经网络,实现无人艇的水面目标检测。目标检测结果作为相关滤波CF目标跟踪算法的初始输入,并在目标跟踪过程的保障其有效性。通过MODD水面船只视频数据实验表明,SSD-CF方法融合目标检测与目标跟踪算法,可有效地降低对运算力的要求,提升目标检测跟踪速度和目标位置的稳定连续性。     

目标联合状态类型密度表示的跟踪门技术

大多数传统的跟踪门技术仅使用目标的运动学量测信息,在多目标、多杂波跟踪场景中会导致较大的关联不确定性。考虑到属性传感器可以获取目标的类型信息,提出了基于目标联合状态类型概率密度的跟踪门方法。首先给出目标状态与类型的联合概率密度表示,从而导出以类为条件的跟踪门构建方法。为了适用于实时的非线性跟踪系统,门限的计算采用了基于仿真的算法。场景 1显示如果目标的量测预测密度为偏斜函数时,基于仿真的门限算法可以获得最优的跟踪门;场景 2为地面编队目标的跟踪过程。与使用传统的跟踪门相比,以类为条件的跟踪门技术在很大程度上提高了目标量测到航迹的关联率。