改进水平集的车辆检测算法

针对视频序列的车辆检测,研究了常用的车辆检测算法。提出一种改进的基于水平集函数的车辆检测算法。利用均值法建立背景模型,采用背景差分法获得车辆运动区域位置,大大缩小水平集函数在图像中曲线演化的范围,快速准确地检测到车辆。     

基于深度卷积网络的工程车辆检测算法

为了解决传统的小尺度密集工程车辆检测算法存在检测速度慢、鲁棒性差、识别准确率低等问题,采用基于改进型YOLO v3的卷积神经网络工程车辆检测算法,使用目标框与真实框交并比作为损失函数替代聚类算法中的欧式距离,同时结合工程车辆检测时标注真实框的特点,对候选框进行聚类;改进评估模型的损失函数,构建适合小尺度密集车辆的网络结构.在自制数据集上进行试验,结果表明,该方法对小尺度密集工程车辆的检测精度明显提高,准确率能够达到81.1%,召回率能达到95.9%.     

基于改进水平集的多运动目标检测方法

针对多目标检测中目标和阴影连接导致检测失败的问题,提出一种基于改进水平集的精确检测方法.通过对监控视频进行对称差分获取运动信息,将其融合到水平集演化函数中,然后进行一次分割得到演化曲线,以此获得目标的位置信息.根据目标与阴影的差异信息,调整水平集演化函数,进行二次分割可准确分离多个目标及其阴影.将文中方法应用在公路监控的多运动车辆检测实验中,能够有效地检测出运动车辆轮廓,处理速度为24帧/s,消除阴影的准确率达98.6%,取得了准确的检测效果.     

智能视频分析的车辆异常行为检测方法

针对目前车辆异常行为检测中的检测实时性问题,提出了一种基于智能视频分析技术的车辆异常行为检测方法。车辆出现异常行为时车辆位置变化、速度变化及运动方向变化较大。通过背景差分法检测运动车辆,并采用均值漂移算法跟踪运动车辆,获取车辆位置、速度、运动方向等车辆异常行为判别参数,对3种判别参数的状态函数加权融合检测车辆行为。为验证该算法的有效性,将对真实交通场景中采集的交通视频进行车辆运行状态检测实验。实验结果证明该算法能及时有效地检测出交通场景中的车辆异常行为。     

基于图论的复杂交通环境下车辆检测方法

目前现有的基于图像的车辆检测系统大多数是利用滑动窗口法来确定车辆候选区域.为了提高车辆检测的速度并减少计算量,提出了一种新的基于图论的车辆检测方法.该方法针对每幅图像通过简单线性迭代聚类(SLIC)算法得到含有若干个超像素节点的图像,分析节点间的相互关系最终确定车辆候选区域.在检测阶段,本文把大量不同视角的车辆图片作为正样本进行训练,得到多视角的分类器;基于候选区域的几何信息,选择适当的多视角分类器进行检测.由公共交通分析数据集(KITTI)检测结果表明:与目前最新的、具有相同提取特征和分类器的算法相比,本文的方法具有更好的检测精度,在复杂的背景下也能取得很好的检测结果.     

复杂道路监控场景下的车辆检测与跟踪数据集

针对现有大部分车辆检测与跟踪数据集通常存在的采集场景单一、数据集长尾分布以及图像采集环境简单等问题,本文构建一个车辆数据集VeDT-MSS,用于城市以及乡村监控场景下4种车辆类别（小汽车、卡车、公交车和摩托车）的检测以及跟踪研究。该数据集具有交通场景多样化、卡车的类内多样性大、摩托车标注实例占比高以及背景复杂程度高4个显著特性。为了验证该数据集的有效性,在目标检测以及多目标跟踪任务上进行了大量的基线实验。实验结果表明,VeDT-MSS数据集在评估现有算法的鲁棒性和泛化性方面具有实用性。该数据集的提出对促进车辆检测与跟踪研究具有相当的潜力,并为计算机视觉社区评估算法性能提供一个新的数据选择。     

基于并行交叉PCANet车辆检测算法

针对传统机器学习车辆检测算法对复杂场景下车辆检测率低的问题,提出了一种并行交叉PCANet车辆检测算法,该算法使用2条PCANet,用实际车辆图像数据集和卷积神经网络提取的车辆轮廓图像数据集训练2个特征提取器,并且将提取的特征进行融合,作为最终的车辆特征,训练SVM分类器.实验结果表明,相比于传统的车辆检测算法,本文提出的检测算法结构简单,学习更充分,识别效率更高,具有较好的分类效果和检测效果.     

一种基于Mean Shift和C-V模型的车辆跟踪算法

针对传统Mean Shift算法跟踪窗口固定不变,无法对不断改变尺寸的车辆目标进行有效跟踪的问题,文中根据车辆跟踪的特点,提出一种基于Mean Shift和C-V模型的车辆跟踪算法.首先利用传统Mean Shift得到初始跟踪窗口,然后根据C-V方法所提取的车辆形状信息对跟踪窗口的中心和大小做进一步修正,在跟踪过程中综合利用了目标颜色、形状等信息,同时对传统C-V方法进行改进,采用一种新的初始化水平集函数表达方法.实验结果表明,文中算法在满足实时性要求的同时,大大提高了车辆跟踪精度.     

改进的几何活动轮廓演化及其在目标跟踪中的应用

为提高几何活动轮廓分割算法的分割效率和准确性,设计了新的边缘检测与跟踪算法.首先采用矢量图像计算图像的梯度值,并设计能够自适应调整阈值的边缘指示函数,进而提出改进的变分水平集演化模型;然后设计基于该改进模型的边缘检测算法,并在无迹卡尔曼滤波器框架下设计了运动目标的跟踪算法.实验结果表明,文中算法不但显著地提高了轮廓演化模型的灵活性和收敛速度,而且对阴影、遮挡、目标形变和背景干扰等具有较好的鲁棒性.     

基于中心点的多类别车辆检测算法

针对多类别车辆检测任务中存在计算复杂、检测精度不高的问题,提出一种基于中心点的多类别车辆检测算法.该算法首先通过Hourglass网络对各类型车辆特征进行提取,考虑到多类别车辆检测时易受车辆大小、视觉变化及非刚体形变等因素的影响,采用可变形卷积替换传统卷积的方法对Hourglass网络重建;在网络预测模块中,结合不同的预测分支支路,采用组合损失函数度量模型拟合的程度,同时引入GIoU损失提高模型拟合效果,减少车辆检测中漏检和误检现象的发生;最后通过Sigmoid激活函数得到最终的检测结果.在公开数据库上仿真实验,测试精度和检测速度分别达到了93.42％和49 f/s,在自制数据库上仿真实验,所提算法的精确率和召回率相比CenterNet算法分别提高了2.7％ 和5.6％.实验结果表明,本文算法在车辆检测任务中具有明显优势.