<noframes id="ll9r9"><address id="ll9r9"><nobr id="ll9r9"></nobr></address>
<noframes id="ll9r9">
<noframes id="ll9r9"><form id="ll9r9"></form>
    <em id="ll9r9"><form id="ll9r9"><th id="ll9r9"></th></form></em>
    容易發表/成功率高的期刊
    在線客服

    咨詢客服 咨詢客服

    咨詢郵箱:hz2326495849@163.com

    科學技術論文

    面向高速公路的車輛視頻監控分析系統

    時間:2021年09月26日 所屬分類:科學技術論文 點擊次數:

    摘要:隨著視頻監控技術在道路安全應用的迅猛發展,為實現高速公路智能化管理,提出一套面向高速公路的車輛視頻監控分析系統。通過對監控視頻流中的車輛進行檢測和跟蹤,進一步實現高速公路相關車輛監測應用。提出了基于雙向金字塔多尺度融合的輕量級車輛檢

      摘要:隨著視頻監控技術在道路安全應用的迅猛發展,為實現高速公路智能化管理,提出一套面向高速公路的車輛視頻監控分析系統。通過對監控視頻流中的車輛進行檢測和跟蹤,進一步實現高速公路相關車輛監測應用。提出了基于雙向金字塔多尺度融合的輕量級車輛檢測跟蹤算法,基于YOLOv3在主干網絡上使用輕量級網絡fficientNet,并且利用雙向特征金字塔網絡進行多尺度特征融合,使得算法在保證檢測實時性的同時提升檢測準確度。通過采集高速公路監測視頻,構建了一個多場景高速公路車輛目標數據集。在此數據集上的實驗結果表明,所提出的算法檢測精度達97.11%,高于原始YOLOv3檢測算法16.5%,并且結合DeepSORT模型在車輛跟蹤上以31幀秒實時運行。同時,該車輛監測系統可在車流量統計、交通異常事件檢測領域進行多路實時監測,具有實際應用價值。

      關鍵詞:高速公路視頻監控;車輛監測;目標檢測;目標跟蹤;多尺度特征融合

    高速公路車輛

      在高速公路管理中,保障道路交通的穩定和暢通是重中之重,然而高速公路車輛異常事件如違法停車、交通擁堵等時常發生,極大程度影響高速公路暢通與安全,目前高速公路車輛監測則多停留在基于全球定位系統(GPS)的位置信息監測[1],以及事故后調取視頻行車記錄進行取證還原上。此方法由于信息傳輸延遲,缺乏交通車輛監測的實時性和準確性。隨著我國高速公路視頻監控規模的迅速擴大,已經基本實現路網視頻監控全覆蓋,因此,利用監控視頻實現車輛監測可提升高速公路智能化管理水平,即通過監控攝像頭采集視頻流數據,并對視頻流中的車輛進行檢測和跟蹤,實現交通車輛監測應用。

      公路管理論文范例: 高速公路隧道機電工程施工質量控制要點探析

      近年來,隨著計算機硬件發展和運算力的提高,尤其是圖形處理器(GPU)的廣泛應用,研究學者利用深度學習方法會車輛進行檢測和跟蹤[24],使得高速公路場景下的車輛監測更準更快更智能化。目前,基于智能視頻分析的高速公路車輛檢測與跟蹤面臨以下幾個問題:(1)車輛實時性檢測要求高,由于高速公路交通流量檢測和異常事件等車輛檢測信息需要實時的反饋,并且要求同一平臺運行多路監控視頻,因此對目標檢測算法的速度和效率都要求較高,需要完成實時的檢測和跟蹤以確保及時的高速路況反饋;(2)車輛尺度變化大,由于高速公路場景中存在車輛由近及遠、由遠及近等車輛尺度變化的情況,且車輛目標在圖片的不同位置會有明顯的形變,同一車輛目標在攝像頭畫面邊緣位置會發生明顯的大小形變,會影響小目標的檢測和跟蹤精度;(3)場景變化大,由于高速公路監控的架設場景不同,攝像頭視角和高度也會存在差異。場景變化對檢測算法的影響較大。面向高速公路的車輛視頻監控分析方法的基礎包括目標檢測、跟蹤等技術。

      目前,目標檢測技術已經有著廣泛而成熟的應用,主要有一階段算法和兩階段算法兩大類別,一階段算法從圖像直接預測目標,速度較快但精度較低;兩階段算法先在圖像上產生可能包含目標的候選框,再對候選框進行修正,該類算法精度高但速度較慢,以區域卷積神經網絡(RegionConvolutionNeuralNetwork,RCNN)系列[57]為代表。一階段算法YOLO檢測算法[8]憑借其檢測速度塊且不失準確率的優點目前被廣泛應用于目標檢測領域中。特別是YOLOv3[9],其主干網絡darknet53特征提取性能強大,檢測精度有了很大提升,成為目標檢測領域精度和速度都表現較好的算法。雖然YOLOv3對在檢測精度上表現優異,但是其主干網絡DarkNet53仍包括53層卷積層,巨大的計算量和參數量會影響實際高速公路車輛監測實時性。

      YOLOv3tiny[9]是一種低參數量的檢測方法,只需34.7MB的儲存空間,有訓練速度快、訓練時所需顯存少、檢測速度快等優點。但YOLOv3tiny對圖像的深層特征的提取能力較弱,泛化能力較差,尤其是對多場景變化以及尺度變化較大的物體檢測效果不理想。

      為解決實時性,在特征提取主干網絡上,筆者將主干部分特征提取網絡替換成EfficientNet[10]輕量級網絡,其為一個可以平衡縮放網絡輸入圖像分辨率、網絡寬度和網絡深度的模型,其減少了模型參數量,增強了其特征提取能力,使網絡處于高效、平衡的狀態。高速公路監控場景多樣,拍攝角度也不盡相同,存在車輛在監控畫面中的不同位置尺度不同的情況,如何有效地表示和處理多尺度特征是目標檢測中的主要難點,因此在檢測車輛時需進行多尺度特征融合。

      LIN等[11]提出了特征金字塔網絡(FeaturePyramidNetworks,FPN,該方法將神經網絡中更抽象的頂層特征進行上采樣,并通過橫向連接將其與神經網絡前向傳播過程中生產的相同大小的特征圖進行融合,在基本不增加計算量的情況下,提高了模型對小物體的檢測能力。在FPN的基礎上LIU等[12]提出PANet,PANet在FPN原有的結構上添加了一條自底向上的路徑聚合網絡,進一步提升了效果,但PANet的參數量和計算開銷都比較大。

      以上這些融合FPN都只是簡單地上采樣后將特征相加,沒有考慮不同分辨率特征貢獻程度的差。在多目標跟蹤算法方面,基于匈牙利算法的后端追蹤優化算法,如SORT[13]、DeepSORT[14]算法,能夠滿足實時跟蹤的要求,其中DeepSORT算法在SORT算法的基礎上,通過提取深度表觀特征明顯提高了多目標的跟蹤效果。綜上所述,筆者提出并應用于面向高速公路的車輛視頻監控分析系統,主要創新點如下:

      (1)提出實時、高效地高速公路車輛監測系統,通過分析高速公路監控視頻,以車輛檢測跟蹤為基本算法可完成車流量統計、交通異常事件檢測等事件,實現面向高速公路的車輛視頻監控分析系統,達到高速公路實時高效智能化車輛管理的目的;(2)為解決高速公路車輛監測中的場景多變、多尺度目標檢測問題,同時兼顧車輛檢測的精度和速度,本文提出基于雙向金字塔多尺度融合的輕量級車輛檢測跟蹤算法,使用EfficientNet輕量級網絡,實現了檢測模型的輕量化和目標檢測實時性;同時增加雙向特征金字塔網絡對原模型多尺度融合模塊進行優化,利用跨尺度連接和加權特征融合在參數量更小的情況下實現對多尺度車輛的檢測;(3)依據真實視頻數據提出構建了一個包含不同交通場景的車輛目標數據集,場景包括高速公路白天、高速公路傍晚、高速公路低能見度、高速公路收費站以及隧道視角,以驗證高速公路監控場景變化問題。

      1面向高速公路的車輛視頻監控分析系統

      為解決高速公路實時智能化車輛監測,筆者提出的面向高速公路的車輛視頻監控分析系統,該系統主要分為高速公路數據采集與輸入模塊、車輛監測主模塊和應用模塊,下面對每一模塊功能進行介紹。

      數據采集與輸入模塊:通過高速公路上的監控攝像頭拍攝視頻,采集實時視頻流數據,并將視頻流數據以連續幀序列的結構輸入車輛監測主模塊;車監測主模塊:即基于雙向金字塔多尺度融合的輕量級車輛檢測模型,包含車輛檢測模塊和車輛多目標跟蹤模塊,車輛檢測模塊采用多尺度融合的輕量級車輛檢測方法對輸入的連續幀序列進行車輛檢測;將車輛檢測模型輸出的每輛車候選框大小和位置信息為輸入至車輛跟蹤模塊,采用DeepSORT多目標跟蹤方法進行跟蹤,得到連續幀內車輛的坐標、軌跡信息;應用模塊:結合車輛檢測和跟蹤的所得到的信息,采用虛擬線設置技術進行車流量統計;采用車輛坐標及軌跡變化進行高速公路異常事件的判斷。

      2基于雙向金字塔多尺度融合的輕量級車輛檢測跟蹤模型

      在車輛監測主模塊,提出了基于雙向金字塔多尺度融合的輕量級車輛檢測跟蹤算法,以達到實際高速公路場景的應用要求。針對高速公路監控攝像頭拍攝畫面中存在的拍攝視角多樣、高速公路場景多樣、車輛尺度變化等問題,提出了基于雙向金字塔多尺度融合的輕量級車輛檢測跟蹤模型。

      3實驗與結果分析

      3.1數據集的構建

      為驗證筆者所提出的高速公路車輛監測系統的有效性以及算法的實時性和準確性,構建陜西地區高速公路視頻監控數據集,包括繞城高速、西漢高速——終南山隧道等路段,其中西安繞城高速,位于靠近市區地區,車流量大、車速適中、攝像頭拍攝角度多樣等特點;而西漢高速——終南山隧道,位于秦嶺區域,具有車輛種類多樣、車速快、隧道多等特點。該車輛監測視頻數據集,場景包括高速公路白天、高速公路晚間、高速公路低能見度、高速公路收費站以及隧道等視角,具有多場景變化的特點。

      視頻總長度達到273h,存儲總量達到了400GB。為建立多樣化數據集奠定了良好的基礎,對不同場景中的不同車輛按照VOC數據集樣式進行了標注。同時,為了驗證車輛監測系統在高速公路異常事件檢測應用的準確性,選取了98段包含異常停車事件的視頻、17段包含擁堵事件的視頻和57段包含逆行事件的視頻,并對每段視頻分別標記異常事件標簽,以作為異常事件檢測數據集。

      4總結

      筆者提出了一套面向高速公路的車輛視頻監控分析系統,針對高速公路監控場景中車輛檢測跟蹤的多尺度問題和檢測實時性要求設計了一種基于雙向金字塔多尺度融合的輕量級車輛檢測跟蹤算法,基于YOLOv3模型在主干網絡上使用輕量級網絡EfficientNet,并采用雙向特征金字塔網絡模塊進行多尺度特征融合。

      同時本文依據采集到的真實視頻數據構建了一個包含不同交通場景的車輛目標數據集,以解決多高速公路多場景問題。實驗結果表明,YOLOv3EffiNet+BiFPN模型檢測精度達97.11%,高于原始OLOv3檢測算法16.5%,并且結合DeepSORT模型在車輛跟蹤上以31幀每秒的實時運行。同時該車輛監測系統可在車流量統計、交通異常事件檢測領域進行多路實時檢測,具有實際應用價值。

      參考文獻:

      [1]M.Almomani,N.Y.Alkhalil,E.M.AhmadandR.M.Jodeh,"UbiquitousGPSvehicletrackingandmanagementsystem,"2011IEEEJordanConferenceonAppliedElectricalEngineeringandComputingTechnologies(AEECT),2011,pp.16.

      [2]S.Shruthi,"VehicleTrackingusingConvolutionalNeuralNetwork",LectureNotesinEngineering&ComputerScience,pp.10521055,2011.

      [3]Y.Liang,Y.Li,K.ZhaoandL.Meng,"ObjectTrackingAlgorithmbasedonMultichannelExtractionofAHLBPTextureFeatures",2018InternationalConferenceonAdvancedMechatronicSystems(ICAMechS),pp.332336,2018.

      作者:毛昭勇,王亦晨,王鑫1,2,沈鈞戈

    亚洲AV片劲爆在线观看