导读:本文包含了车辆检测与跟踪论文开题报告文献综述及选题提纲参考文献，主要关键词:交通监控,随机森林分类器,联合检测跟踪,整数规划
车辆检测与跟踪论文文献综述
任亚婧,张宏立[1]（2019）在《结构化预测的车辆联合检测与跟踪方法》一文中研究指出为了对道路车辆进行流量的统计与监控跟踪,提出一种联合检测与跟踪思想的方法。该方法利用初始分割时产生的目标数量的冲突集描述分割阶段产生的错误以及遮挡问题,并通过建立车辆近邻关联事件和与之对应的关联标签变量,将汽车监控跟踪建模为一个结构化预测问题,利用相应的关联标签变量建立全局目标函数,从而将车辆跟踪问题转化为一个通过求解带约束的整数规划问题,最后求解得到车辆轨迹的全局最优解。(本文来源于《现代电子技术》期刊2019年15期）
杨妍[2]（2019）在《基于车道线的高速公路视频监控中车辆检测与跟踪研究》一文中研究指出西部地区的多数高速公路具有视野纵深远且道路呈直线型的特点,由于空间透视投影的原因,导致在监控范围内运动车辆的面积特征变化较大,J总体呈现“远小近大,”的现象。对于整幅图像难以找到一个合适的阈值,使其既可以滤除近视野中较大的噪声,又可以保留远视野中较小的车辆目标。因此,提出了基于车道线的高速公路视频监控中的车辆检测和跟踪方法,借助车道线来描述这种空间关系,引入影响因子来改善运动目标的直接特征表现。在目标检测前先利用混合高斯模型建立背景图像,该背景模型可动态更新。然后利用背景差分法获得前景目标,并对其进行阴影消除和形态学处理。对背景图像中依次进行车道线位置与颜色特征提取、边缘检测、Hough直线变换和K-means聚类等计算获得了叁条车道线的直线信息以及车道线交点坐标,为后续车道线影响因子的计算奠定了基础。对于检测出的车辆目标分别通过其与基准车道线夹角大小和与交点的距离确定其在监控场景中的位置。不同位置影响因子的计算为:分车道实际采集目标在整个监控视野中的面积特征数据,选定其最大位置处(近视野)的面积作为标准面积,对于其它位置处影响因子是通过求标准面积与该位置处面积比值计算得到,这样就可以完成整个有效监控区域的影响因子的计算。因此本文中的目标检测结果不仅包括视频图像中目标的直接面积特征值,还包括利用影响因子与其计算的乘积值,这样就可以调节不同位置的目标面积特征表现,进而衡量目标的合理性。本文的目标检测方法可以去除伪目标,同时保留远视野中车辆目标,还可以获得车辆目标的运动车道或方向,进而可以滤除位置异常的背景噪声,使得目标检测结果更加准确。在完成目标检测的基础上选择基于特征的目标跟踪方法对车辆跟踪进行研究,选取车辆的质心位置和面积特征以及车道信息作为相邻两帧中目标跟踪时的匹配特征,所以目标匹配中只对于同一运动方向的车辆进行相似度比对,从而减少了不必要的目标匹配计算,提高了计算效率。(本文来源于《西安理工大学》期刊2019-06-30）
刘伟[3]（2019）在《基于单线激光雷达的车辆检测与跟踪》一文中研究指出环境感知技术在无人驾驶中起着重要作用,是实现辅助驾驶和自主驾驶的前提条件,目标识别是无人驾驶环境感知中的重要部分。针对车辆检测,本文完成了两种实验分析:本文提出了一种基于单线激光雷达作为主传感器,基于OptoBot-IV实验平台,首先通过激光雷达扫描并获取空间轮廓数据,对每帧数据采用凝聚层次聚类算法进行目标分割,采用最小二乘法进行直线拟合,通过锐角判别方法判别目标车辆的方位;然后对目标车辆进行特征提取,通过交叉验证和网格搜索对支持向量机的参数进行优化以实现更好的分类效果,最后采用卡尔曼滤波(Kalman Filter)实现目标车辆的跟踪;实验结果表明,本文提取多种目标车辆特征值组成特征向量并配合参数优化后的支持向量机可以实现较高识别率。文中同时进行了多种分类器效果分析,实验结果表明,每一个分类器虽然在降维和交叉验证后的正确率都有所变动,但是由于准确率不足以评价一个分类器的性能,最后通过分析ROC曲线和AUC值得出最优的分类器为随机森林。基于路边的静态平台上使用单线激光雷达对电动自行车,货车,乘用车和公交车四种车型识别。使用分类器支持向量机(SVM)对交通参与者的类型进行分类,为了提高识别正确率,采用K折交叉验证和网格搜索的方法获取最优参数,在四种车型分类过程中,应用了四次分类器来处理特定的分类,最终实验的总体识别正确率为85.55%,其中对误判的车型单独进行了识别分析,分类精度分别为96.62%、98.20%以及96.18%,这表明所使用的单线激光雷达是可以作为识别道路交通参与者类型的工具。(本文来源于《长春理工大学》期刊2019-06-01）
耿欢[4]（2019）在《基于路侧传感器的多车辆检测跟踪技术研究》一文中研究指出近年来,自动驾驶成为了一大热门研究领域。基于路侧传感器对车辆进行检测跟踪,提取车辆的位置、轨迹等信息,并将这些信息广播至无人车,可以辅助无人车自动行驶。在实际的道路场景中,车辆的检测与跟踪存在着各种各样的挑战。一方面天气变化、光照强度等不可控因素时刻影响着道路环境,另一方面车辆在视频画面中有着大小不一的尺寸,车辆间的相互遮挡也为检测跟踪带来了困难。另外,对于自动驾驶场景中实际可用的系统而言,同时保证系统的准确性与时效性也是较大的挑战。本文提出了一种基于深度学习的轻量化的车辆检测模型以及一种基于空间关系与颜色特征的多目标跟踪方法,最终设计并实现了基于路侧视觉传感器的多车辆检测跟踪原型系统。在车辆检测模型方面,为了同时满足准确性与时效性的要求,我们将轻量网络MoblieNet迁移至Faster R-CNN目标检测框架,结合具体场景优化RPN结构,大大减少了模型参数量与计算量,从而提高了模型的检测速度。在目标跟踪方面,我们基于检测结果,通过前后帧间目标的空间关系与颜色特征计算目标匹配概率,完成目标关联匹配。对于遮挡等引起的目标漏检,使用KCF跟踪器进行位置预测,最终实现了对多目标有效的跟踪。最后,我们在实际场景下对本文方法进行了测试实验,实验结果表明我们的方法具有较高的多车辆跟踪正确率及较快的运行速度,符合研究预期。(本文来源于《北京邮电大学》期刊2019-06-01）
胡继华,程智锋,钟洪桢,靖泽昊,张力越[5]（2019）在《无人机视频中道路交叉口车辆检测与跟踪》一文中研究指出提出了一种基于无人机视频的交叉口车辆检测和跟踪方法,以道路交叉口行车区域为检测区域,将车辆检测和跟踪分成独立的两个阶段,并使用背景差法检测车辆,接着使用置信度指标进行车辆跟踪。该方法使用广州大学城两个道路交叉口的视频进行了验证,车辆检测和跟踪结果的精度都达到94. 49%以上,表明该方法准确可靠。基于无人机视频的车辆检测跟踪方法具有实施方便、快速和适用范围广等特点,为道路交叉口车流量调查提供了新方法,可以用于道路交通的实验教学、科研及生产等领域。(本文来源于《实验室研究与探索》期刊2019年05期）
张震[6]（2019）在《基于视频的车辆运动目标检测与跟踪技术研究》一文中研究指出随着计算机硬件技术和计算机视觉技术的发展,基于计算机视觉的交通监控系统成为可能。视频车辆的实时检测和跟踪是智能交通监控系统的核心部分,也是计算机视觉、模式识别、视频图像处理和人工智能等领域的基础和关键技术。运动目标检测和跟踪算法应用在智能交通监控中时仍有许多困难之处,如恶劣的天气状况以及目标长时间被遮挡等情况。本文主要对以下方面进行了研究:(1)针对现有的背景差分法对初始的运动目标敏感,并且容易受到动态背景、光线变化、摄像头抖动等因素的影响的问题,本文采用基于马尔科夫随机场(MRF)与二型模糊高斯混合模型(T2-FGMM)相结合的方法对运动目标进行检测,解决了T2-FGMM在动态场景下检测出的目标显示很多离散漏洞、目标轮廓不精细化问题。(2)针对条件迭代模式(ICM)算法使用“贪婪”策略来求解能量最优化的过程中易陷入局部极小值的问题,本文对ICM算法进行改进,提出“平缓”的下降方法,将最小化能量函数中的平滑项进行加权操作,解决了ICM算法对初始估计非常敏感、容易导致很差的局部极小值问题。本文将改进的ICM算法运用到视频流车辆目标检测中,获得了较好的目标检测效果。(3)深入研究基于外观特征和时空特征模型的分层数据关联的多目标跟踪技术。本文主要研究时空特征模型,针对时空特征模型仅仅考虑外观特征和光流直方图特征,当多目标存在长时间遮挡而无法满足跟踪准确性的问题,对时空特征模型进行改进,提出融合卡尔曼滤波的时空特征模型,增加目标检测得到矩形的质心作为跟踪的特征。将改进的模型进行验证,获得了较好的目标跟踪效果。本课题分别对视频流中车辆运动目标检测与跟踪进行研究。本文创新点:将改进的ICM算法应用于视频流的运动目标检测中;改进了分层关联的多目标跟踪算法中的时空特征模型。经实验验证,本文改进的方法适用于大面积、多目标的复杂场景,抗干扰能力强,检测和跟踪精度高,可应用于高速公路和城市交通的车辆监测与跟踪系统中。(本文来源于《上海师范大学》期刊2019-05-01）
沈思源[7]（2019）在《基于旋翼式无人机航拍的车辆检测跟踪系统研究》一文中研究指出近年来车辆检测跟踪技术在国内外发展迅速,在固定监控设备中已经有很完善的应用及推广,但仍存在监测范围有限,灵活性差和成本高昂等缺点。通过无人机搭载监控设备实现对视频图像的采集,再结合图像处理对地面车辆进行检测和跟踪的技术应运而生。但是目前无人机在交通监控和数据采集方面的应用还不太成熟,从航拍视频中检测跟踪车辆和提取其它交通信息的可靠方法还比较匮乏。为此本文以道路上行驶的车辆为对象、以交通监控和数据采集为应用背景展开研究。本文的主要研究内容如下:(1)提出一种基于机器学习的航拍车辆检测算法,针对无人机航拍视角与固定监控设备不同的问题,提出了四种符合航拍视角的车辆矩形特征补充到原有的Haar-Like矩形特征库,然后结合HOG特征以弥补Haar-Like特征在表征物体形状方面的不足,之后使用大量的正负样本对每一种特征训练形成弱分类器,最终级联形成Adaboost强分类器,实现对车辆的分类和检测。对比实验结果可知,改进后的算法能够有效描述车辆特征,提高车辆检测的准确率。(2)无人机在对地面目标进行跟踪时,针对传统Camshift算法存在易受相似颜色背景、遮挡等干扰的问题,提出一种改进Camshift的目标跟踪方法。通过提取跟踪目标的Hue、Saturation和LBP特征分量建立基于叁维联合直方图的跟踪模板,并采用自适应加权策略来调整叁种特征分量的权重值,提高算法的跟踪准确度;在跟踪目标受到遮挡干扰时,引入Kalman滤波机制,增强算法的鲁棒性。实验结果表明,改进后的算法能够满足无人机对目标跟踪准确性与实时性的要求。(3)以前面提出的检测跟踪算法为理论依据,结合无人机硬件设备与软件平台开发设计了基于无人机航拍的车辆检测跟踪系统,实现了显示道路类型、限行速度、车辆行车方向、车道占有率、平均速度和车辆计数等功能。通过统计违章违法车辆,协助交管部门维护交通秩序、保障交通安全。(本文来源于《中国矿业大学》期刊2019-05-01）
郭青山[8]（2019）在《基于卷积神经网络的航拍车辆检测与跟踪》一文中研究指出随着科技的进步,硬件方面的不断提升,大规模数据的出现,深度学习在各方面的应用都取得了很大的突破和发展。本文主要研究在雾天背景下,对航拍车辆进行检测和跟踪。首先介绍了目前在图像去雾、目标检测、目标跟踪的发展和现状,同时对卷积神经网络进行了概述。在雾天背景下检测到的车辆,其颜色大多数是浅色和深色,存在恢复的图像偏暗和丢失图像边缘细节信息的问题,对后续的目标检测存在影响。针对这一问题,使用DehazeNet获取四个雾天相关特征的透射率图;通过局部大气光值获得大气光值图替代单个大气光值;并提出了边缘检测均值引导滤波,对初透射率图和初大气光值图进行优化,保留边缘细节信息。设计了基于DehazeNet与边缘检测均值引导滤波图像去雾模块,解决恢复图像偏暗和丢失图像边缘细节信息的问题,提高后续对航拍车辆目标检测的效果。本文在选择基于卷积神经网络SSD目标检测算法的基础上,根据航拍车辆的特点,只需要对车辆进行检测,因此设计了基于SSD改进的航拍车辆检测模块。调整网络结构,选取特定的卷积层作为特征层,并根据航拍车辆的先验信息,修改锚点框的大小,提高检测置信度和优化模型。在训练网络时,以Stanford Cars数据集进行数据增强得到的数据集和自己收集整理的数据集用于网络训练。最后进行实验分析。根据航拍车辆在视频中尺度变化不大且具有平滑性,因此选择基于卷积神经网络的GOTURN跟踪算法对航拍车辆进行跟踪,并根据图像去雾模块、航拍车辆检测模块和航拍车辆跟踪模块构建整体的系统模块,对航拍车辆进行图像去雾、检测和跟踪系统模块的实现。最后通过分析实验结果的不足之处,提出未来改善的方向。(本文来源于《西南科技大学》期刊2019-05-01）
刘军,后士浩,张凯,张睿,胡超超[9]（2019）在《基于增强Tiny YOLOV3算法的车辆实时检测与跟踪》一文中研究指出针对深度学习方法在视觉车辆检测过程中对小目标车辆漏检率高和难以实现嵌入式实时检测的问题,该文基于Tiny YOLOV3算法提出了增强Tiny YOLOV3模型,并通过匈牙利匹配和卡尔曼滤波算法实现目标车辆的跟踪。在车载Jetson TX2嵌入式平台上,分别在白天和夜间驾驶环境下进行了对比试验。试验结果表明:与Tiny YOLOV3模型相比,增强Tiny YOLOV3模型的车辆检测平均准确率提高4.6%,平均误检率减少0.5%,平均漏检率降低7.4%,算法平均耗时增加43.8 ms/帧;加入跟踪算法后,本文算法模型的车辆检测平均准确率提高10.6%,平均误检率减少1.2%,平均漏检率降低23.6%,平均运算速度提高5倍左右,可达30帧/s。结果表明,所提出的算法能够实时准确检测出目标车辆,为卷积神经网络模型的嵌入式工程应用提供了参考。(本文来源于《农业工程学报》期刊2019年08期）
李元可[10]（2019）在《运动车辆目标检测与实时跟踪方法研究》一文中研究指出在智能交通系统中,运动车辆一直是重要的研究对象。为了准确并快速地检测、识别与跟踪行驶的车辆,本文提出了一种对运动车辆检测、识别和跟踪的方法。为了能够比较准确地判断出不同类型的运动车辆如大车和小车,提出了基于样本车辆跟踪框和质心像素纵坐标的自标定方法并给出了对大车和小车的定义。该方法用来为识别运动车辆并判断大车和小车提供标准,具体步骤是先将预先获得的小样本车辆在一定范围内跟踪框的宽高比作为识别运动车辆的依据,然后,将跟踪框的宽度值和车辆质心的像素纵坐标值作为判断大车和小车的参照。再选择某一大样本车辆,通过大样本车辆的相关数据来验证利用小样本车辆对大车的识别和判断是否正确。在对比了基于全局的自适应阈值Otsu算法和基于局部的自适应阈值Niblack算法和Sauvola算法对图像二值化的效果图之后,分别采用均值滤波、中值滤波和高斯滤波对产生的二值图像进行去噪处理,得出基于全局的Otsu算法的二值化效果好于局部阈值二值化方法的结论。然后,针对Otsu算法的缺陷,即在车辆检测后某些车辆轮廓间断、不易辨认,对Otsu算法进行了改进。在验证了改进的Otsu算法的优越性后选取该改进算法作为本文的自适应二值化阈值方法。另外,由于均值背景建模快速高效,得出的目标前景图质量较好,故选取均值背景建模方法作为本文建模背景的方法。在基于连通区域跟踪运动车辆的过程中,提出了识别视频图像中运动车辆数量的方法。然后,根据Harris角点检测算法的稳定性和准确性选取该算法作为本文跟踪车辆方法的核心。该跟踪方法将特征角点分布区域的中心点作为跟踪运动车辆的基础并用自适应车辆大小的跟踪框定位车体。在样本车辆跟踪框和质心像素纵坐标的自标定方法和对大小车的定义基础上,通过实验首先准确地判定出了目标物体是运动车辆,然后识别出了不同类型的运动车辆并验证了该方法的可行性与准确性,证明了本文的相关算法能够迅速准确地检测、识别并跟踪运动车辆。(本文来源于《长安大学》期刊2019-04-08）
车辆检测与跟踪论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
西部地区的多数高速公路具有视野纵深远且道路呈直线型的特点,由于空间透视投影的原因,导致在监控范围内运动车辆的面积特征变化较大,J总体呈现“远小近大,”的现象。对于整幅图像难以找到一个合适的阈值,使其既可以滤除近视野中较大的噪声,又可以保留远视野中较小的车辆目标。因此,提出了基于车道线的高速公路视频监控中的车辆检测和跟踪方法,借助车道线来描述这种空间关系,引入影响因子来改善运动目标的直接特征表现。在目标检测前先利用混合高斯模型建立背景图像,该背景模型可动态更新。然后利用背景差分法获得前景目标,并对其进行阴影消除和形态学处理。对背景图像中依次进行车道线位置与颜色特征提取、边缘检测、Hough直线变换和K-means聚类等计算获得了叁条车道线的直线信息以及车道线交点坐标,为后续车道线影响因子的计算奠定了基础。对于检测出的车辆目标分别通过其与基准车道线夹角大小和与交点的距离确定其在监控场景中的位置。不同位置影响因子的计算为:分车道实际采集目标在整个监控视野中的面积特征数据,选定其最大位置处(近视野)的面积作为标准面积,对于其它位置处影响因子是通过求标准面积与该位置处面积比值计算得到,这样就可以完成整个有效监控区域的影响因子的计算。因此本文中的目标检测结果不仅包括视频图像中目标的直接面积特征值,还包括利用影响因子与其计算的乘积值,这样就可以调节不同位置的目标面积特征表现,进而衡量目标的合理性。本文的目标检测方法可以去除伪目标,同时保留远视野中车辆目标,还可以获得车辆目标的运动车道或方向,进而可以滤除位置异常的背景噪声,使得目标检测结果更加准确。在完成目标检测的基础上选择基于特征的目标跟踪方法对车辆跟踪进行研究,选取车辆的质心位置和面积特征以及车道信息作为相邻两帧中目标跟踪时的匹配特征,所以目标匹配中只对于同一运动方向的车辆进行相似度比对,从而减少了不必要的目标匹配计算,提高了计算效率。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
车辆检测与跟踪论文参考文献
[1].任亚婧,张宏立.结构化预测的车辆联合检测与跟踪方法[J].现代电子技术.2019
[2].杨妍.基于车道线的高速公路视频监控中车辆检测与跟踪研究[D].西安理工大学.2019
[3].刘伟.基于单线激光雷达的车辆检测与跟踪[D].长春理工大学.2019
[4].耿欢.基于路侧传感器的多车辆检测跟踪技术研究[D].北京邮电大学.2019
[5].胡继华,程智锋,钟洪桢,靖泽昊,张力越.无人机视频中道路交叉口车辆检测与跟踪[J].实验室研究与探索.2019
[6].张震.基于视频的车辆运动目标检测与跟踪技术研究[D].上海师范大学.2019
[7].沈思源.基于旋翼式无人机航拍的车辆检测跟踪系统研究[D].中国矿业大学.2019
[8].郭青山.基于卷积神经网络的航拍车辆检测与跟踪[D].西南科技大学.2019
[9].刘军,后士浩,张凯,张睿,胡超超.基于增强TinyYOLOV3算法的车辆实时检测与跟踪[J].农业工程学报.2019
[10].李元可.运动车辆目标检测与实时跟踪方法研究[D].长安大学.2019