视频中多目标车辆的检测与跟踪方法研究

为了提高行驶车辆检测与追踪的准确性、时效性,提出了一个基于熵值法求权重的Adaboost和帧差法的混合检测模型。首先对路面车道线进行识别与分割,将当前摄像头所在的路面作为感兴趣区域提取出来;然后对区域内的车辆使用该模型进行检测与定位;最后使用改进的KCF算法对检测到的车辆进行追踪。实验结果证明,该方法可有效地滤除其他非目标物体,对车辆进行有效地筛选,准确率达95.5%,且检测效率较高,适合在路面场景下对汽车进行有效的检测与追踪。该模型优化了计算资源的使用数量,并且保证了在大量的图像帧中快速地识别与追踪车辆。

基于改进YOLO的公路路网视频并发检测及应用

提出一种轻量化YOLO模型方法,应用于公路路网视频实时状态分析,解决了YOLO目标检测算法在实际应用中计算代价过大问题,并能满足多路监控视频实时并发检测的需求。首先,对YOLO的主干网络进行层次剪枝与通道剪枝,设计出更轻量的特征提取网络结构。其次,采用混合了多重感受野的Inception模块替换标准卷积模块,提升高层特征之间的空间信息交互。再次,修改模型数据结构,使用16位浮点数据存储参数,减少计算开销。最后,基于改进的YOLO训练车辆识别模型,实现基于车辆检测与追踪的路网断面流量统计、速度提取,以及拥堵事件检测,实时并发视频检测达到11路。实验结果表明,轻量化YOLO模型在相同检测精度下,并发检测性能提升1倍。