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。

一种小数据集下的高精度车辆检测和跟踪方法

车辆检测和跟踪是计算机视觉领域中的一个重要研究方向,在智能交通、智能监控等领域有着广泛的应用。然而,传统车辆检测和跟踪方法存在检测精度不佳、实时性不佳等问题。为了解决这些问题,提出了一种小数据集下的高精度车辆检测和跟踪方法,综合利用数据增强技术,提高了小数据集下的目标检测精度,并设计了ResVGG网络结构来替代经典的VGG网络。同时,通过提取车辆的外观特征,实现了多帧图像车辆的匹配跟踪。在KITTI数据集实验结果表明,相比于经典的VGG网络结构,设计的ResVGG网络结构在车辆检测模型训练的平均准确率提高了7%。在车辆跟踪方面具有更高的跟踪精度和稳定性,能够实现高帧率的车辆检测和跟踪,具有很好的应用前景。

基于尾灯的夜间前方车辆检测与跟踪方法

针对夜间环境下车辆难以检测的问题,提出一种基于尾灯的夜间前方车辆检测与跟踪方法。首先根据光晕特征和亮度特征进行车辆尾灯提取,对尾灯进行配对后根据尾灯对估计车辆的位置并实现对车辆的检测,然后利用改进的粒子滤波算法对已检测车辆的尾灯进行跟踪,进而实现对车辆的跟踪。最后结合检测和跟踪方法提出一种车辆检测与跟踪系统。实验结果表明:本文方法具有检测率高的特点,对车辆检测率可达96%,车辆检测与跟踪系统可解决车辆互相遮挡情况下的车辆检测问题,并可提升车辆检测率至98%。

复杂环境中车辆检测与跟踪方法的研究

提出了一种在复杂环境中车辆检测与跟踪方法。该方法首先分析车辆的外形特点,确定采用从Blob块提取的几何形状参数作为车辆的特征并用于运动车辆的检测;然后结合Blob分析和CamShift算法提出了车辆跟踪方法。实验结果表明,本文采用的车辆特征参数能够准确地检测车辆,并能准确地区分车辆和行人群体,车辆检测与跟踪准确率分别达到了96.7%和86.7%,证明该方法适用于复杂环境下车辆的检测与跟踪应用要求。

基于Kalman滤波器的车辆检测与跟踪系统的实现

智能交通系统是解决城市交通拥挤最有效的方式,其中交通信息采集设备是交通系统管理的基础与前提,而基于视频图像处理的交通信息检测器较其他类型检测器,具有信息量丰富,安装和维护成本低廉的特点。本文用基于Kalman滤波器的方法实现了交通信息采集设备中的车辆检测与跟踪。它采用了一种自适应背景更新算法,通过分割、二值化、腐蚀膨胀得出前景图像,以包含前景图像的矩形框的中心作为Kalman滤波器的跟踪特征,对运动车辆进行跟踪估计得出车辆的运动轨迹和速度。一系列的视频实验表明,该方法简单可行而且对天气、光照变化、阴影有很强的适应能力。

基于多尺度边缘融合及SURF特征匹配的车辆检测及跟踪方法

为提高交通参数提取的准确性与实时性,研究了基于多尺度边缘融合和SURF特征匹配的车辆检测与跟踪方法,克服了传统基于边缘特征的车辆检测方法易受噪声、背景干扰的问题,实现车辆准确检测。将车辆检测结果作为跟踪样本建立跟踪样本集合,通过建立匹配点对几何约束消除误匹配特征对,提高跟踪样本与待跟踪视频帧的SURF特征匹配准确度。针对车辆驶入、驶离相机视野,车辆间歇性运动,背景缓慢变化等情况提出跟踪样本更新机制,实现车辆的准确、实时跟踪。实验结果显示,所提算法的车辆检测率为88.3%,检测准确度为90.2%;跟踪精确度为86.4%,跟踪准确度为92.7%;检测时间成本为91.8ms,跟踪速率为52.2fps。检测准确度、跟踪准确度、检测速率、跟踪速率均高于光流法、粒子滤波法和SIFT特征匹配法,表明所提算法能较好地满足实时性应用。

基于Adaboost分类器的车辆检测与跟踪算法

车辆检测与跟踪是智能交通领域的重要研究课题之一。为了促进平安城市的建设,更好地辅助车辆驾驶,提出了一种基于类Haar特征和Adaboost分类器的实时车辆检测与跟踪算法。采集大量车辆正负样本图像,基于积分图提取图像的类Haar特征;利用Adaboost算法对类Haar特征进行选择及分类器训练;利用得到的分类器进行模式匹配,实现对车辆的检测。在相邻帧中进行车辆的特征匹配,完成车辆的跟踪。在车辆跟踪的基础上,通过场景标定,实现对车辆的测速和车流量的统计。在真实道路场景中的实验结果表明,所提方法能实时并有效地对车辆进行检测与跟踪,在一定程度上缓解了交通压力;能准确地进行车辆测速和车流量统计,可为超速和道路拥挤的判定提供相关依据,具有较好的应用前景。

高速公路大范围场景下车辆目标检测和跟踪方法

PTZ摄像机是一种有效监测高速公路车辆目标通行行为的设备，可以通过调整云台角度、放缩摄像机成像范围．实现对高速公路大范围一局部场景的全面观测。本文提出一种基于多视角的高速公路大范围场景全景建模方法，获取多个观测视角融合形成的大范围场景中的车辆目标前景，从而实现PTZ摄像机多个视角下对车辆目标进行连续检测定位和跟踪，解决了当前监控摄像机监测范围小、跟踪时间短、行为识别难的问题，实验结果显示本算法对高速公路通行车辆目标定位跟踪的有效性。

车载移动执法中违规车辆智能检测研究

提出了一个面向高速道路交通车辆违规行为移动执法智能检测模型。系统模型分为车道线检测、车辆检测与跟踪、逆透视变换及几何量算、面向车道定位的地图精细匹配等4个子模块。该系统模型算法在实际高速公路环境中进行了车辆违规行为检测,以及车道线检测、车辆目标及跟踪等专项测试以表征其对车辆违规行为的检测能力。测试结果表明,该系统模型具备在一定的复杂交通环境中车辆违规行为辨识能力。相关专项测试表明,该模型可以快速及准确地检测记录违规车辆。

改进Haar-like特征联合CamShift算法用于车辆跟踪

提出一种改进的Haar特征获取方法,并结合CamShift算法提取车辆检测信号实现特定车辆实时跟踪。首先利用倾斜45°特征与像素和的商计算信号的Haar特征值;其次利用AdaBoost算法训练样本得到特征信号分类器,构建特征信号样本级联分类器,利用获得的级联分类器对视频信号进行检测;最后将检测结果中的特定车辆外切矩形作为CamShift算法的初始窗口,并对CamShift算法后续跟踪窗口进行检测,以提高检测效率和跟踪实时性。实验表明,该方法对车辆图像信号具有较好的检测效果,对特定车辆跟踪具有较高的实时性。

基于概率算法自适应更新背景的运动车辆检测

交通流量检测是智能交通系统中的一个重要研究方向和热点问题,基于视频的车辆检测是交通流量采集分析的核心技术,它为交通流量参数的实时获取提供了可能。为实现在复杂交通视频场景中实时准确检测各类的运动车辆,在研究传统背景差分算法的缺点的工作基础上,提出一个自适应的贝叶斯概率背景检测算法,进而完成了较准确的运动车辆分类检测。实验结果表明该方法具有高效实时的特点,能够较准确地实现复杂交通路面的背景提取和运动车辆的检测,具有良好的鲁棒性。

Mean-Shift结合Kalman滤波的车辆目标跟踪算法

近年来,在智能交通系统与车辆辅助驾驶系统中,作为一个非常重要并具有挑战性的课题——车辆检测与跟踪技术,对其进行了大量的研究。尤其在智能交通系统中,必须了解路面其他车辆的位置才能确保行驶安全,而这些系统的基础——稳定可靠的车辆检测与跟踪,就显得尤为重要了。因此,深入研究运动车辆目标检测与跟踪算法,考虑到系统的实时性,系统采用帧间差分的方法对车辆目标进行检测,建立的Mean-Shift结合Kalman滤波的车辆目标跟踪模型,对车辆目标进行跟踪,提高了跟踪准确率与实时性。

一种基于YOLOv4的改进DeepSort目标跟踪算法

针对车辆检测在弱光照和有遮挡情况下出现的漏检问题,提出了一种基于YOLOv4的改进DeepSort目标跟踪算法。首先使用YOLOv4算法对输入图片进行特征提取,获得目标信息,然后采用卡尔曼滤波算法估计车辆的轨迹状态并进行状态更新,最后在级联匹配中运用匈牙利匹配算法对检测框和预测框进行匹配。对未成功匹配的轨迹和检测结果,用广义交并比(GIOU)关联匹配代替交并比(IOU)匹配,提高DeepSort跟踪算法的匹配性能。对比单一检测算法和加入跟踪算法后的车辆检测效果,结果表明,加入跟踪算法后的车辆模型漏检现象变少,检测效果得到提高,鲁棒性增强,且MOTA提高了7.55%,证明了改进方法的有效性。

基于视觉的前方车辆探测技术研究方法综述

对国内外关于车道上本车前方车辆检测方法进行了综述。根据探测车辆所采用的传感器不同,分别对采用单目视觉、双目视觉、视觉与其他传感器融合以及非视觉传感器的几种探测方法进行了比较与分析。同时,针对每种探测方法,进一步阐述了目前车辆识别的一些具体算法。最后,指出了每种方法存在的优点和一些不足。

基于单目视觉的障碍物检测方法研究

为了解决车辆的碰撞问题,提出了一种基于单目视觉的车道标识线二维重建及障碍物检测与跟踪的方法。主要采用最大类间方差法对初始图像进行分割,给出一种新的车道标识线特征点搜索策略,用统计模型的方法获取车道线参数。利用障碍物(前方车辆)在道路中留下的阴影,检测车辆边缘并确认车辆存在,运用卡尔曼滤波方法跟踪车辆具体位置。所设计的方法能够准确地检测跟踪车道线及前方障碍物。实验结果表明:方法满足车辆安全行驶的前提需要,具有较高的准确性和实时性。

基于深度学习的无人机视频车辆行为分析

本文提出一种基于深度神经网络的车辆行为分析框架用于交通参数的智能化提取。该框架先基于利用单镜头多盒探测器(SSD)检测实现车辆检测与识别,然后在视频序列中对车辆进行线性跟踪,根据追踪结果对车辆轨迹进行建模,设计基于LSTM的深度学习模型对车辆行为进行分类。本文以深圳市龙井地铁站T型路口的无人机数据作为研究对象,进行实验。结果表明,提出的方法能够提高车辆识别与跟踪算法的精度和效率,并获得准确的车辆分类结果及轨迹识别。

汽车自主驾驶中基于单目视觉的障碍物检测探讨

汽车在我国已经成为了我们国民主流的代步工具之一,然而由于我国人口过于密集,导致车辆过多,因此也就为导致了很多车辆碰撞事件的频繁发生,为了能够更好的解决车辆驾驶过程当中的挂碰问题,因此相关的科学家和研究人员也就针对这种现象专门的研发出了一种可以使车辆进行自主驾驶的新技术,这种技术能够通过单目视觉的车道标识线和阴影等计算出车道和车辆、障碍之间的参数,并通过准确的计算方程满足车辆安全自主驾驶的需求,具备十分高的精准和实时性。

基于视频图像和深度学习的车辆轨迹检测与跟踪

为保障高速公路车辆安全通行,及时有效地获取车辆运行信息,结合高速公路监控视频,利用优化后的YOLOv5目标检测算法和Deep Sort多目标追踪算法进行车辆轨迹检测与跟踪,实时监测车辆运行状态,识别异常驾驶行为。首先,基于高速公路监控视频,构建车辆检测数据库,由于自建数据库中各类别车型数量相差较大,影响检测精度,因此在模型的输入段提出Class-Weighted Mosaic数据增强方法,提高模型对于各种车型的检测能力。其次,针对原始YOLOv5模型中,网络结构设计冗余的问题,设计一种高效的CG3瓶颈层结构替换原有的CSP结构,在不影响精度的情况下,提高网络运行效率。为提高特征提取能力同时具有较高的检测效率,轻量的ECA(Efficient Channel Attention)注意力模块添加到模型中,让模型关注更重要的区域;然后,针对Deep Sort追踪算法在车辆遮挡情况下精度较差的情况,采用Resnet18作为其车辆外观特征提取网络,损失函数替换为三元损失函数,提高追踪算法精度。最后,利用高速公路监控视频对所提出的算法进行评估。经过试验得出:优化后的算法得出的车辆检测精度由92.8%提高到了96.3%,精度提高了3.5%,能够有效缓解类别不均衡给网络训练带来的不利影响,并且检测速度达到25~35 fps,达到车辆实时监测的要求,在车辆追踪过程中,能够有效的克服车辆遮挡问题。

YOLOX-IM:一种无人机航拍视频的轻量化交通参数提取模型

在无人机航拍的过程中,背景更广阔,目标的尺寸更小,种类更复杂。提出一种基于YOLOX-s的轻量化无人机航拍目标检测算法YOLOX-IM。首先,为了提高该模型检测小目标的性能,通过使用切片辅助推理(slicing aided hyper inference,SAHI)算法以及坐标修正矩阵对训练集进行预处理和数据增强。然后,在路径聚合网络(path aggregation network,PAN)中引入一个浅层特征图以及超轻量级子空间注意模块,并添加一个检测头对小物体进行检测;最后,对边界回归的损失函数进行了优化。在VisDrone2019数据集的消融实验结果表明,所提出的模型检测精度与基础YOLOX-s相比高了8.13%;模型体积4.55 MB,相较于原模型下降67.14%。利用该模型在中国天津市渌水道进行实地交通监测的交通参数提取实验,在设定的场景中,当无人机航拍高度为50 m时,该模型的交通提取参数精度最高,达到96.14%。

一种多帧光流的研究与应用

时域相关性在视频分析中具有重要作用,但在估算光流时,这一特性却很少被应用。针对这一情况,提出在H-S光流模型基础上引入前向帧,并加入光流时域上的相关性约束构造出一种多帧光流模型以提高光流估算精度。同时,针对光流非线性能量泛函求解异常复杂的情况,提出运用迭代重加权最小二乘法(IRLS)简化模型线性化求解过程。最后,结合所得光流给出一种改进的车辆检测跟踪方案,通过先估算光流后帧差提取,可得到更加精确的车辆运动信息并可避免多个车辆的光流域连接成块。实验结果表明,IRLS法简化求解的多帧模型可同时估算出多个帧间光流并能显著提高光流估算精度,基于此多帧光流的车辆检测跟踪方案的车辆跟踪成功率在86%以上,达到了预期要求。