欧美国产伦久久久久久久

<acronym id="cqmsy"></acronym>
<acronym id="cqmsy"><center id="cqmsy"></center></acronym>

24小時論文定制熱線

咨詢電話

熱門畢設:土木工程工程造價橋梁工程計算機javaasp機械機械手夾具單片機工廠供電采礦工程
您當前的位置:論文定制 > 畢業設計論文 >
快速導航
畢業論文定制
關于我們
我們是一家專業提供高質量代做畢業設計的網站。2002年成立至今為眾多客戶提供大量畢業設計、論文定制等服務,贏得眾多客戶好評,因為專注,所以專業。寫作老師大部分由全國211/958等高校的博士及碩士生設計,執筆,目前已為5000余位客戶解決了論文寫作的難題。 秉承以用戶為中心,為用戶創造價值的理念,我站擁有無縫對接的售后服務體系,代做畢業設計完成后有專業的老師進行一對一修改與完善,對有答辯需求的同學進行一對一的輔導,為你順利畢業保駕護航
代做畢業設計
常見問題

計算機視覺在違章識別系統的研究與應用

添加時間:2021/07/13 來源:未知 作者:樂楓
目前市面上的一些違章拍照系統過于單一且違章拍攝的準確度有待提高,在處理干擾事件時會被一些外因影響較大,因此在違章識別問題上利用計算機視覺更加具有現實意義。
以下為本篇論文正文:

摘 要

  隨著國力的增強以及人民的富裕,私家車的數量以及私家車出行正在逐漸取代公共交通工具出行方式,交通違章問題是現代交通的核心關注點,也是保證人民財產以及人身安全的的關鍵。在現實中,交通執法者往往會面臨天氣等不可抗因素無法執行道路面對面的監督違法,需要快速及時的對車輛違章行為事件做出反應,就需要違章識別系統來輔助交通執法者對交通違章行為識別以及記錄,目前市面上的一些違章拍照系統過于單一且違章拍攝的準確度有待提高,在處理干擾事件時會被一些外因影響較大,因此在違章識別問題上利用計算機視覺更加具有現實意義。

  首先本文針對國內外的計算機視覺方向研究動態進行闡述,以目前的計算機現有運算能力以及網絡傳輸能力應對計算機視覺以及機器學習的問題已經可以完成,進一步對圖像預處理的算法進行研究,其中包括圖像的基本表示法,形態學操作以及邊緣檢測和直線檢測等,其中最主要的是形態學操作以及邊緣檢測和直線檢測,對后續的違章行為識別有著關鍵作用。

  然后分析日常生活中常見的違章行為比如違章停車,違章變道,違章逆行和安全帶的佩戴等依次分析和選擇設計監測方案,對于車輛識別算法做了多種比對,最后選取了識別效果及速度上最折中的 YOLO 算法對車輛進行識別,然后對識別違章的算法進行設計,但是僅僅可是識別車輛違章行為還是不夠的,還需對違章的車輛進行記錄,其中涉及到了車輛牌照的識別,其中又涉及到了車牌的定位,車牌字符的分割以及單個字符的識別。改進了占空比方式違章停車檢測方法,并運用在違章識別系統中。使用車輛識別方法加占空比方式識別,更加精確直觀的識別違章停車的車輛,從而提高了違章檢測的有效性。

  最后收集大量車輛數據集并對數據集進行標注處理,然后練訓識別權重,最后對于識別算法進行比對,驗證了識別方案的有效性,同時根據實際情況開發出 違章識別系統,將研究算法在系統中進行了有效的應用。

  關鍵詞: 計算機視覺 機器學習 違章識別 車牌識別

在違章識別系統

ABSTRACT

  With the enhancement of national strength and the prosperity of the people, the number ofprivate cars and private car travel are gradually replacing the way of public transportation.

  Traffic violations are the core concern of modern transportation, and also the key to ensurethe safety of people's property and personal safety. In reality, traffic law enforcers are oftenfaced with irresistible factors such as weather, unable to carry out the road face-to-facesupervision. They need to respond to the traffic violations quickly and timely. They need theviolation identification system to assist the traffic law enforcers in identifying and recordingthe traffic violations. At present, some violation photo systems on the market are too singleand accurate the degree needs to be improved, and it will be greatly influenced by someexternal factors when dealing with interference events, so it is more practical to use computervision in the problem of violation identification.

  First of all, this paper describes the research trends of computer vision at home and abroad.

  With the current computing power and network transmission capacity of computer, theproblem of computer vision and machine learning can be solved. Further research on thealgorithm of image preprocessing, including the basic representation of image, morphologicaloperation, edge detection and line detection Among them, the most important aremorphological operation, edge detection and line detection, which play a key role in thesubsequent illegal behavior recognition.

  Then it analyzes the common violations in daily life, such as illegal parking, illegal lanechanging, illegal retrograde and the wearing of safety belt, analyzes and selects the designmonitoring scheme in turn, makes a variety of comparisons for the vehicle recognitionalgorithm, and finally selects the most compromised Yolo algorithm on the recognition effectand speed to identify the vehicle, and then designs the algorithm for identifying violations, butonly However, it is not enough to recognize vehicle violations. It is necessary to record thevehicles violating the regulations, which involves vehicle license plate recognition, includinglicense plate location, license plate character segmentation and single character recognition.

  This paper improves the detection method of illegal parking based on duty cycle and applies itto the system of illegal parking recognition. Using the method of vehicle identification andduty cycle to identify the vehicles that stop illegally, which improves the effectiveness ofillegal detection.

  Finally, a large number of vehicle data sets are collected and labeled, and then therecognition weights are trained. Finally, the recognition algorithm is compared to verify theeffectiveness of the recognition scheme. At the same time, a violation recognition system is developed according to the actual situation, and the research algorithm is effectively appliedin the system.

  Key Words:Computer Vision;Machine Learning;Illegal License;Plate Recognition

目 錄

  第 1 章 緒論

  1.1 選題背景

  自 1978 年改革開放以來,我國國民經濟得到廣泛提升,社會經濟得到了持續且高速度的發展,我國人民的生活水平也得到了大幅度提高,曾經少見的機動車如今也走進了千家萬戶,越來越多的人在日常出行上都選擇了方便快捷的汽車而不是大眾化的公交車或者地鐵,尤其是沒有地鐵的城市,私家車出行已經成為首選,這就導致了我國的私家車數量急劇增加,根據我國公安部統計:截止到 2018 年中國全國的機動車保有量達到了 3.27 億輛之多,其中小型載客汽車首次突破 2 億輛;持有機動車駕駛證的人員突破4 億人口,達到了 4.09 億人。從機動車輛的類型來看,小型家用載客汽車的保有量達 2.01億輛,是我國首次突破 2 億輛,也是促使汽車保有量增長的主要部分;從分布情況來看,全國共有 61 個城市的汽車保有量超過了百萬輛,有 27 個城市超過了 200 萬輛,在其中北京等 8 個大型城市超過了 300 萬輛[1].汽車數量增長雖然為人民群眾的生活帶來了極大的便利,但是另一方面來看這也給城市和交通帶來了很多的問題,汽車增長速度超過了基本道路所能承受的上限,巨大的交通壓力不僅給大眾的出行造成了很大的困擾,也給交通管制的執法者帶來了難題,而在這些交通難題中,最令執法者頭痛的問題便是交通違章,緊緊依靠著傳統的交警出勤或者人工視頻監控等措施已經很難應對當下的交通狀況。

  2017 年 8 月,我國國務院安全生產委員會首次發布了我國的《道路交通安全 "十三五"規劃》[2](以下簡稱《規劃》),《規劃》指出"十二五"期間,我國發生造成人員傷亡的道路交通事故共 99.8 萬起,導致了 29.7 萬人的死亡、108.7 萬人受傷,平均每年發生了 20 萬起,造成 5.9 萬人死亡、21.7 萬人受傷?"十二五"期間,發生較大及以上道路交通事故共計 4641 起!兑巹潯吠瑫r要求到 2020 年時,建成并完善全國重點營運車輛動態安全管控體系,頒布實施重點車輛安裝汽車電子標識的相關標準,國家道路主干線公路卡口必須連接互聯網。

  智能交通系統 ITS( Intelligent Transportation System )是目前現代交通的一項前沿科技,名稱 1994 年正式確定,到今天為止已經發展了 20 多年,但是隨著近年來在各種基礎設施建立完善之后產生了重大進步,這些基礎設施包括:計算機運算能力,網絡傳輸效率,高清聯網視頻監控攝像頭的廣泛安裝等[3].如今隨著科技的迅速發展和消費者驟增的需求,智能交通系統領域出現了與創建之初不同的并且有著鮮明特色的技術方向以及研發熱點。在 2018 年 5 月,在新加坡舉行的 2018 年度智能交通世界大會理事會會議上,委員會根據最近幾年大會收錄的論文以及產業界提出的議題加上管理涉及問題做了報告,報告指出了最近 3 年內 ITS 業界的動向:車輛自動化、車輛與網絡安全、出行服務[4].基于這樣的背景,我們提出了一種基于計算機視覺以及機器學習技術的識別道路交通違章解決方案,解決目前智能識別道路交通違章問題。

  1.2 研究意義

  目前在世界上有關智能交通違章識別以及處理的系統是少之又少,現存的違章識別也僅僅能夠識別車輛超速行駛,或者安全帶的佩戴等問題,且大部分是人工檢測,在視頻流量巨大和車況復雜等基礎上人工檢測往往力不從心。

  傳統的車輛違章識別有感應線圈檢測,磁力計檢測,微波真實現場檢測,微波多普勒檢測,超聲波檢測,紅外線檢測等,各種方法有他們各自的優缺點,但是隨著高清和超清攝像頭的出現以及計算機網絡傳輸速率和運算處理能力的增強,基于視頻流的處理的智能交通車輛違章彰顯出來這種方法的高效、低成本等顯著優點,詳情如下幾點:

 。1)高清道路監控攝像頭的普及。目前在我國各級道路以及交叉路口都存在大量的聯網高清監控攝像頭,且各路段都會有歸屬部門來進行監管以及維護,這相比于其他技術要省去大量的物理設備的接入。

 。2)攝像頭等硬件便于安裝,維護成本低于超聲波,紅外線等設備。

 。3)易于處理;诒O控攝像頭進行處理可以實現高速的圖像傳輸,高速識別違章行為,并且違章抓拍等便于執法者識別違規行為。

 。4)受環境因素干擾小。相比于利用波,紅外線等進行違章識別的技術,監控攝像頭的圖像抗噪能力有強大的優勢,也和圖像梳理中一些成熟去噪的技術有關。

  1.3 國內外研究動態

  本節對計算機視覺以及機器學習的領域現有研究進行檢索,梳理和總結。針對文章需要以及所涉及的算法進行綜述,探討研究方向相關問題國內外的研究現狀。

  目前我國的智能交通正處于瓶頸期,20 世紀末開始跟隨國際智能交通發展趨勢,不僅制定了交通發展戰略,還對智能交通的框架進行了搭建,相應的研發技術和應用工程也緊隨其后相繼發展。1996 年北京市公安局實驗成功闖紅燈拍攝成功后國家開始對電子警察進行大力發展。在總體上,中國的智能交通跟隨著國際發展,但是由于我國社會管理體系以及文化的不同,在具體技術和系統應用上有中國自己的特色。而近年來,隨著我國互聯網技術的飛速發展促使我國各行各業都有了極大的提升。2011 年以后,隨著經濟發展水平的提高和科技實力的增強,中國各方面均試圖在智能交通領域有所突破,也開展了不少工作,但效果并不突出[4].最主要的原因便是低水平重復或者方向不明確。

  我國國家科技項目大多屬于常規交通技術內容的研究[4],能真正與日本或者美國歐盟等its 強國研究的內容對接部分以及本文研究的計算機視覺在機動車違章方面的應用,是少之又少。而根據《2019 年計算機視覺行業市場前景研究報告》顯示,在中國企業人工智能技術細分占比中,有近 42%的企業目前應用著計算機視覺領域技術。

  商業以及應用方面,根據 IDC 市場跟蹤,2018 年我國計算機視覺技術輸出規模最大的三個行業是政府、金融和互聯網。隨著我國計算機視覺的不斷發展,其也將與更多行業進行全方位地深入融合,這意味著計算機視覺市場仍有巨大的潛力;國外已經有比較完善的系統由美國 ISS 的 Sutoscope[5]系統,Traficon[6]系統等;利用視頻監控在生活中進行監控和預警,通過對視頻序列的分析,目標的自動識別智能監控可以提取到對預警有用的關鍵性信息,減少了人為干預提高監控效率[7];現代化軍事的研究主要集中于精確制導[8]、飛行控制、無人機偵察[9]、靶場測量及武器觀測瞄準[8]等方面;智能汽車目前的研究主要集中在智能導航以及自動駕駛方面,利用車輛四周的攝像頭或者其他的傳感器對周圍的環境和運動物體進行檢測以及跟蹤[11],此項技術的要求對于檢測的實時性以及魯棒性要求極高,因為道路交通車輛運行速度較快,檢測速度提高安全性能也會大大提高,所以如何在攝像頭運動時快速精確地檢測和跟蹤是智能視覺導航的研究重點。

  計算機視覺的實現必須有圖像處理的幫助而圖像處理則依仗著機器學習,機器學習是人工智能領域的一個重要分支,機器學習是研究計算機怎樣模擬或實現人類的學習過程,學習到新的知識或技能,改進原有的知識使得自身性能不斷改進[12];機器學習又包含了深度學習,近幾年,深度學習憑借其優秀的特征建模能力,在目標跟蹤領域取得了優異成績[13].

  目前機器學習的內容可以是一個能夠從輸入映射到輸出的函數,也可以是從無標記數據的隱含結構中進行學習,通過比較新增實例與存儲在內存中的訓練好的數據,給新增實例賦予一個類別的標記,而基于實例的學習不會再具體的實力上創造一層抽象[14].

  按照人工干預程度機器學習目前可劃分為三類:強化學習[15](也稱再勵學習,評價學習或增強學習),無監督學習[16],監督學習[17].

  馬爾可夫決策過程[18](Markov Decision Process, MDP)是最常見的強化學習模型,按照給定條件強化學習可將其分為基于模式的強化學習和無模式強化學習,以及主動強化學習和被動強化學習[19],深度學習模型可以在強化學習中得到使用,形成深度強化學習,簡單來說強化學習就是一種智能算法通過與外部環境進行交互獲得獎勵,以嘗試的方式進行學習[14],不斷試錯目的就是為了獲得最大獎勵。

  無監督學習[20]是根據未知類別的訓練樣本解決模式識別中的問題,即只存在輸入變量不存在輸出變量,對數據中隱含的信息進行模型構建,稱為無監督學習[21].

  聚類是最典型的無監督學習[22],目的是為了把有相似性的類別聚在一起,并不關心這類物體是什么或者用來干什么,因此簡單的聚類只需要計算相似度就可以[23].目前深度學習中的無監督學系主要分為兩大類,一類確定型的自編碼方法[24]及其改進算法,另一類是概率型的受限波爾茲曼機及其改進算法[25].

  監督學習是將訓練數據預先標注好進行訓練使分類器的參數達到要求性能的過程[24],也稱為監督訓練或有教師學習[26].

  監督學習是目前研究最為廣泛的一種機器學習方法,神經網絡傳播算法[27]、決策樹學習算法[28]等已在許多領域中得到成功的應用但是缺點是需要給出不同環境下的期望輸出,完成的是與環境沒有交互的記憶和知識重組的功能,因此限制了該方法在復雜的優化控制問題中的應用[28].

  由于目前的視頻監控是目標跟蹤技術最活躍的領域之一,而且目標追蹤方向近幾年的世界大賽上中國研發團隊常常名列前茅,比如 2017 年第一名的大連理工大學盧湖川教授隊伍提交的 LSART[29],第二名北京郵電大學代表隊的單卷積特征的相關濾波解決方案,2019 年奪冠的百度單目標跟蹤算法 ATP[30].目標跟蹤是通過在連續的視頻序列中估計跟蹤目標的位置,形狀以及所在位置,確定運動目標的運行速度放方向以及軌跡,實現對目標行為的分析以及理解,以便完成更高級的任務[31].車輛行駛預測方面清華大學電子工程學院學者提出一種嵌入式實時視頻監控系統的實時算法,能夠有效地監測并追蹤到多個移動目標,并別能夠利用算法快速預測到車輛即將行駛的路段區域[32].

  杭州師范大學智能交通與信息安全實驗室學者提出一種可用于多個車輛跟蹤的自適應局部遮擋分割法,能夠應用于各種復雜的交通路段中[33];在車輛識別方面,SVM 前向車輛識別[34]是一個最新的研究成果,是通過分割提取車輛底部陰影對車輛行駛的區域進行預測,并采取 SVM 支持向量機得到車輛分類器對該區域進行驗證,判斷該區域是否為車輛區域,此種方法與最近幾年出來并大熱的 YOLOv3[35]在性能上有著不小的差距,YOLO 算法以算法運算速度快為名,首先是將物體檢測的問題作為回歸問題進行求解,算法檢測是通過單個的網絡。YOLO 算法的另一個優點是召回率低,具體的表現是背景誤檢率低。YOLO 能對整副圖片進行掃描,得到完整的圖片信息,與其他的方法相比泛化能力是極強的,后期訓練效果也優于其他算法。

  1.4 本文主要研究內容及難點分析

  針對日常交通出行上會發生的一些安全事故問題,重點放在研究高清視頻的檢測以及違章識別的算法,填補我國在計算機視覺在車輛違章方向上的空白,重點以及難點是視頻中的光線變化,車牌識別中的遮擋物處理,對于各種不同車型號的識別,穿著打扮對安全帶識別的影響,背景變化對車輛的識別如何提高檢測率和正確率。

  綜上所述,本文研究內容基于視頻檢測,正確處理各項問題的前提必定是在正確監控的基礎上,所以需要解決以下問題:

 。1)全天候的目標檢測在光照變化頻繁給檢測工作帶來了影響,需要選擇性能較好的目標檢測法跟蹤運動目標。

 。2)車輛運動過程中,會在光線照射下產生陰影,陰影可能會對相鄰的車道上覆蓋,所以需要區分運動的車輛以及陰影。

 。3)背景的頻繁變化可能會對運動車輛的識別上造成困擾,尤其是背景上有其他車輛進入會加大識別上的困難,所以需要好的背景重建法搭建背景,以免造成影響正確識別違章的困難。

 。4)車牌識別以及定位的困難:車牌的字符識別需要經歷圖像采集,車牌定位,字符分割,字符識別等,車牌的定位是最為關鍵以及復雜的一步,需要在目標車輛周圍消除各種對于識別上產生的干擾,尤其是光照情況下可能會對字符分割及識別上造成的干擾。

 。5)對車道的提取與建模。行車道的建模以及提取在每個監控攝像頭有不同的樣子,一個好的模型可以更加精確的檢測到目標車輛是否違規,車道線的提取需要使用的方法為基于車道線區域監測和基于模型的檢測方法,不同的顏色深度都需要盡可能地識別出來也為建模造成了一定的困難。

  1.5 本章小結

  本章為緒論部分,主要介紹了論文的研究背景,意義和國內外對于計算機視覺在違章識別方向上的發展現狀以及本文的主要研究難點以及重點,為后面的論文主體內容的開展確立了良好的開端。

  第 2 章 圖像預處理算法的研究

  2.1 圖像基本表示方法

  2.1.1 二值圖像

  2.1.2 灰度圖像

  2.1.3 彩色圖像

  2.2 圖像基本處理

  2.2.1 彩色圖像轉灰度圖像

  2.2.2 二值圖像的轉化

  2.2.3 圖像去噪

  2.3 形態學操作

  2.3.1 腐蝕

  2.3.2 膨脹

  2.3.3 開運算與閉運算

  2.4 圖像的邊緣檢測

  2.4.1 Canny 邊緣檢測

  2.4.2 Sobel 算子

  2.5 圖像中直線檢測

  2.5.1 霍夫變換

  2.5.2 概率霍夫變換

  2.6 圖像金字塔

  2.7 本章小結

  第 3 章 違章行為的分析與檢測設計

  3.1 違章停車的檢測與判別

  3.1.1 均值方差閾值方式檢測違章停車

  3.1.2 占空比方式檢測違章停車

  3.2 違章變道的檢測與判別

  3.2.1 巴氏度量車輛違章變道檢測

  3.2.2 分水嶺加軌跡違章變道檢測

  3.3 違章逆行的檢測與判別

  3.3.1 質心坐標檢測法

  3.3.2 卷積神經網絡的車輛逆行檢測

  3.4 安全帶佩戴的檢測與判別

  3.4.1 基于霍夫變換的安全帶檢測

  3.4.2 卷積神經網絡的安全帶識別

  3.4.3 顯著梯度圖檢測安全帶

  3.4.4 結合 YOLO 的駕駛員安全帶檢測

  3.5 本章小結

  第 4 章 車牌識別算法的研究

  4.1 車牌定位算法的研究

  4.1.1 圖像二值化

  4.1.2 邊緣檢測

  4.1.3 閉運算與車牌定位

  4.2 車輛牌照字符的分割

  4.2.1 模板匹配法

  4.2.2 垂直投影法

  4.3 單個字符的識別

  4.4 神經網絡識別車牌

  4.4.1 特征值的提取

  4.4.2 BP 神經網絡的訓練

  4.5 車輛牌照分類識別

  4.5.1 RGB 圖像轉換 HSV 類型

  4.5.2 形態統計學識別車牌顏色

  4.6 本章小結

  第 5 章 車輛識別及跟蹤算法的確定

  5.1 SVM 分類法識別車輛

  5.1.1 基于 HOG 特征和 SVM 的車輛識別

  5.1.2 HOG 特征提取

  5.1.3 HOG 特征提取的實現方法

  5.1.4 HOG 特征提取與計算步驟

  5.1.5 SVM 車輛分類器訓練

  5.2 YOLO 目標檢測算法

  5.2.1 YOLOv3 目標檢測算法原理

  5.2.3 Darknet-53 神經網絡

  5.2.4 YOLOv3 的多尺度特征目標識別

  5.3 SVM+HOG VS YOLOv3

  5.4 圖像標注及權重訓練

  5.4.1 增加數據集及圖像信息標注

  5.4.2 訓練數據集

  5.4.3 訓練結果分析

  5.5 車輛追蹤算法確定

  5.5.1 多目標跟蹤算法

  5.6 本章小結

  第 6 章 違章識別系統的設計

  6.1 軟件需求分析

  6.1.1 用戶需求分析

  6.1.2 界面需求分析

  6.2 系統模塊及架構設計

  6.2.1 系統模塊設計

  6.2.2 系統架構設計

  6.3 系統功能的實現

  6.3.1 軟件開發環境

  6.3.2 UI 設計

  6.4 軟件檢測結果分析

  6.5 本章小結

總結和展望

  在互聯網人工智能大趨勢下,大量的傳統行業正在向智能化,信息化轉型,以適應日益激烈的行業競爭。違章識別系統問題作為交通行業的核心問題之一,成為了當下的研究熱點。本文研究了違章停車、違章變道、違章逆行以及安全帶駕駛的行為并經過比對選取了較好的解決方案聯合了車牌識別算法,實現了基于計算機視覺的違章識別系統系統。論文成果如下:

 。1) 本文改進了占空比方式違章停車檢測方法,并運用在違章識別系統中。該方法使用車輛識別方法加占空比方式識別,更加精確直觀的識別違章停車的車輛,從而提高了違章檢測的有效性。

 。2) 針對違章變道問題,車輛識別算法結合了巴氏度量方法。該方法解決了識別車輛變道角度難題,并能進行高效的多目標檢測。將該方法應用在違章變道的檢測算法中,替代分水嶺車輛軌跡算法中的計算軌跡步驟用于求解車輛角度,有效減少了計算時間以及程序復雜度。

 。3) 采用基于霍夫變換的安全帶檢測方法對安全帶進行檢測。該算法結合改進的霍夫變換提出了改進檢測安全帶的方法,降低了算法陷入局部最優的概率。根據安全帶的特性,加入了閾值判斷方法,提升了算法的性能。

 。4) 車輛牌照識別上采用了神經網絡的方法對車輛牌照進行識別,在原有算法的基礎上增加了對車輛牌照顏色對應的分類的識別。

 。5)車輛識別算法選取了跟蹤效果和跟蹤速度上都較優的 KFC 算法并應用在違章識別系統。

  本文在車輛違章行為方面進行了研究,但面對實際復雜的交通環境情況仍不夠全面,主要表現如下:

 。1) 環境干擾方面,本文中面對外部環境因素的影響檢測效果可能會有誤差,比如車牌遮擋導致檢測結果錯誤,安全帶檢測受到的問題還有待進一步研究。

 。2) 車輛識別方面,本文車輛識別使用的是 YOLO 算法,在有大量車輛積壓的情況下會明顯導致算法的檢測效率變低,所以需要對出現大量車輛堆積的情況進行算法改進。

參 考 文 獻

  [1] 第三季度全國機動車和駕駛人保持平穩增長[J].道路交通管理,2018(11):9.

  [2] 國務院安委會印發《道路交通安全"十三五"規劃》[J]. 中國應急管理, 2017(9):21-28.

  [3] 趙娜,袁家斌,徐晗。智能交通系統綜述[J].計算機科學,2014,41(11):7-11+45.

  [4] 王笑京,張紀升,宋向輝,汪林。國際智能交通系統研發熱點[J].科技導報,2019,37(06):36-43.

  [5] 鞏建國, 趙琳娜。 日本 vics 系統簡介與借鑒[J]. 汽車與安全, 2015(1):101-105.}

  [6] 陳超, 呂植勇, 付姍姍, Et Al. 國內外車路協同系統發展現狀綜述[J]. 交通信息與安全, 2011,29(1):102-105.

  [7] Lill, D., Schappacher, M., Gutjahr, A., Sikora, A Development Of A Wireless Communication AndLocalization System For Vru Esafety[P]. Communication Systems Networks And Digital Signal Processing(Csndsp), 2010 7th International Symposium On,2010.

  [8] 趙久奮,王明海。紅外探測陣列對固體導彈尾焰跟蹤定位的研究。固體火箭技術,2000,23( 4) :64-68.

  [9] 盧莉萍。目標跟蹤算法與檢測處理技術研究。博士學位論文。南京:南京理工大學,2012.

  [10] 國家重點研發計劃"綜合交通運輸與智能交通"重點專項 2018 年度項目申報指南[Eb/Ol].[2018-06-07].

  [11] Redmon J , Divvala S , Girshick R , Et Al. You Only Look Once: Unified, Real-Time ObjectDetection[J]. 2015.

  [12] 帕科爾, J.R.)。 圖像處理與計算機視覺算法及應用(第 2 版)[M]. 清華大學出版社, 2012.

  [13] 盧湖川, 李佩霞, 王棟。 Visual Object Tracking: A Survey%目標跟蹤算法綜述[J]. 模式識別與人工智能, 2018, 031(001):61-76.

  [14] 郭成。機器學習算法比較[J].信息與電腦(理論版),2019(05):49-50.

  [15] 劉全, 翟建偉, 章宗長,等。 深度強化學習綜述[J]. 計算機學報, 2018, 041(001):1-27.

  [16] Al Gharakhanian, 張含陽。 無監督學習、Gan 和強化學習將構建機器學習的未來[J]. 機器人產業,2017(2):22-25.

  [17] 王萬良, 張兆娟, 高楠,等。 基于人工智能技術的大數據分析方法研究進展[J]. 計算機集成制造系統, 2019, 25(03):5-23.

  [18] C.C.White. 馬爾可夫決策過程[J]. 數學譯林, 2016, 9(04)。

  [19] Fern, X., Reinforcement Learning. In Cs 434: Machine Learning And Data Miningschool Of ElectricalEngineering And Computer Science, Oregon State University .2008

  [20] 王改華, 李濤, 呂朦,等。 采用無監督學習算法與卷積的圖像分類模型[J]. 華僑大學學報:自然科學版, 2018, V.39;No.159(01):152-157.

  [21] 王建新, 錢宇華。 符號數據的無監督學習:一種空間變換方法[J]. 計算機科學, 2016,V.43(01):95-99+127.

  [22] 謝娟英, 侯琦, 曹嘉文。 深度卷積自編碼圖像聚類算法[J]. 計算機科學與探索, 2019,013(004):586-595.

  [23] 曹璐。 基于特征融合的行人檢測與圖像聚類研究[D].

  [24] 李恒, 張黎明, 蔣美容,等。 基于監督學習的全卷積神經網絡多聚焦圖像融合算法[J]. 激光與光電子學進展, 2020, 57(8)。

  [25] 張春霞, 姬楠楠, 王冠偉。 受限波爾茲曼機?[J]. 工程數學學報, 2015, 000(002):159-173.

  [26] 蔡軼珩, 王雪艷, 胡紹斌,等。 基于多源圖像弱監督學習的 3d 人體姿態估計[J]. 北京航空航天大學學報, 2019, 45(12):2375-2384.

  [27] 楊鶴標, 龔文彥。 基于卷積神經網絡的反向傳播算法改進[J]. 計算機工程與設計, 2019,40(01):134-138.

  [28] 安葳鵬, 尚家澤。 決策樹 c4.5 算法的改進與分析[J]. 計算機工程與應用, 2019(12):169-173.

  [29] Sun C , Wang D , Lu H , Et Al. Learning Spatial-Aware Regressions For Visual Tracking[J]. 2017.

  [30] 孫彥景, 石韞開, 云霄, Et Al. 基于多層卷積特征的自適應決策融合目標跟蹤算法[J]. 電子與信息學報, 2019, 41(10)。

  [31] 丁世飛,齊丙娟,譚紅艷。支持向量機理論與算法研究綜述[J].電子科技大學學報,2011,40(01):2-10.

  [32] 張強,張勇,劉芝國,周文軍,劉佳慧;诟倪M YOLOv3 的手勢實時識別方法[J/Ol].計算機工程:1-11[2019-12-31].Https://Doi.Org/10.19678/J.Issn.1000-3428.0054222.

  [33] He, K., Zhang, X., Ren, S. And Sun, J., 2016. Deep Residual Learning For Image Recognition. InProceedings Of The Ieee Conference On Computer Vision And Pattern Recognition (Pp. 770-778)。 He, K.,Zhang, X., Ren, S. And Sun, J., 2016. Deep Residual Learning For Image Recognition. In Proceedings OfThe Ieee Conference On Computer Vision And Pattern Recognition (Pp. 770-778)。

  [34] 王娜。 基于 SVM 算法的前方車輛視頻檢測[D]. 2016.

  [35] 高云, 彭煒。 基于 keras 的分類預測應用研究[J]. 山西大同大學學報:自然科學版, 2019(5):26-30.

  [36] 李立宗。OpenCV 輕松入門[M].電子工業出版社:北京,2019: 2019(8):124-125[37] 高紅波, 王衛星。 一種二值圖像連通區域標記的新算法[J]. 計算機應用(11):168-169+177.

  [38] 曹麗琴, 商永星, 劉婷婷, Et Al. 局部自適應的灰度圖像彩色化[J]. 中國圖象圖形學報,2019(8):1249-1257.

  [39] 林開顏, 吳軍輝, 徐立鴻。 彩色圖像分割方法綜述[J]. 中國圖象圖形學報, 2005, 10(1)。

  [40] 劉慶祥,蔣天發。 彩色與灰度圖像間轉換算法的研究[J]. 武漢理工大學學報(交通科學與工程版)(3):344-346.

  [41] 陳偉。 智能交通圖像識別系統的研究[D].浙江大學,2002.

  [42] Moridvaisi H , Razzazi F , Pourmina M A , Et Al. An Extended Kcf Tracking Algorithm Based OnTld Structure In Low Frame Rate Videos[J]. Multimedia Tools And Applications:1-18.

  [43] 湯一平,陳耀宇;谟嬎銠C視覺的違章停車智能監控系統[J].計算機測量與控制,2009,17(08):1505-1508.

  [44] 王殿海,胡宏宇,李志慧,曲昭偉。違章停車檢測與識別算法[J].吉林大學學報(工學版),2010,40(01):42-46.

  [45] 曹妍妍,崔志明,吳健,孫涌;诎褪隙攘康能囕v違章變道快速檢測方法[J].蘇州大學學報(工科版),2011,31(03):1-7.

  [46] 胡春海, 查琳琳, 陳華。 一種基于 orb 算法改進的 tld 目標跟蹤算法[J]. 燕山大學學報, 2019,43(3):263-270.

  [47] 厲小潤, 楊平。 一種基于視頻檢測技術的車輛違法變道檢測方法[J], 2012(06):134-136+177[48] 隋靚,黨建武;谶\動目標軌跡的高速公路異常事件檢測算法研究[J].計算機應用與軟件,2018,35(01):246-252.

  [49] 阮雅端, 高妍, 趙博睿, Et Al. 基于深度卷積神經網絡的車輛違停逆行檢測方法:.

  [50] 潘世吉。 智能交通違章監測算法研究及軟件系統實現[D].哈爾濱工業大學,2016.

  [51] 詹益俊,陳光喜,黃勇,王佳鑫,呂方方;诰矸e神經網絡的駕駛員檢測和安全帶識別[J].桂林電子科技大學學報,2019,39(03):211-217.

  [52] 周彬。 面向卡口監控的安全帶圖像檢測的應用與研究[D].武漢科技大學,2018.

  [53] 吳天舒,張志佳,劉云鵬,郭婉妍,王子韜。結合 YOLO 檢測和語義分割的駕駛員安全帶檢測[J].計算機輔助設計與圖形學學報,2019,31(01):126-131.

  [54] Austin R J , Orr-Weaver T L , Bell S P . Drosophila Orc Specifically Binds To Ace3, An Origin OfDna Replication Control Element[J]. Genes & Development, 1999, 13(20):2639-2649.

  [55] 何兆成,佘錫偉,余文進,楊文臣。字符多特征提取方法及其在車牌識別中的應用[J].計算機工程與應用,2011,47(23):228-231.

  [56] 孫君頂。 基于內容的圖像檢索技術研究[D].西安電子科技大學,2005.

  [57] 周辰雨;張亞岐;李健。 基于 SVM 的車輛識別技術[J]. , 2012, 30(30): 53-57.

  [58]Qin, J. And He, Z.S., 2005, August. A SVM Face Recognition Method Based On Gabor-Featured KeyPoints. In Machine Learning And Cybernetics, 2005. Proceedings Of 2005 International Conference On(Vol. 8, Pp. 5144-5149)。 Ieee.

  [59] 武光利, 王綿沼。 基于 HOG 特征與 SVM 分類器的行人檢測研究%Research On PedestrianDetection Based On HOG And SVM[J]. 中國有線電視, 2017, 000(012):1413-1415.

  [60] Dalai N,Triggs B.Histograms Of Oriented Gradients For Human Detection[ C]∥Proceeding OfIeee International Conference On Computer Vision & Pattern Recognition.2005, 1:886 - 893[61] Wang H, Zhang Z. A Vehicle Real-Time Detection Algorithm Based On YOLOv2 Framework[C]//Real-Time Image & Video Processing. 2018.

  [62] Redmon J , Farhadi A . YOLOv3: An Incremental Improvement[J]. 2018.

  [63] 楊昉。 基于移動平臺的目標檢測與應用系統[D].

  [64] 王春輝。 基于高斯混合模型的多源異類交通數據融合研究[D]. 2016.

  [65] 李星,郭曉松,郭君斌; HOG 特征和 SVM 的前向車輛識別方法[J].計算機科學,2013,40(S2):329-332.

  [66] Vehicle Tracking Using A Support Vector Machine Vs. YOLO By @KasparsakmannHttps://Link.Medium.Com/Yjmglcxrt2[67] Abadi M. Tensorflow: Learning Functions At Scale[J]. 2016, 51(9):1-1.

  [68] 孟琭, 楊旭。 目標跟蹤算法綜述[J]. 自動化學報, 2019, 45(7)。

  [69] Welch G, Bishop G. An Introduction To The Kalman Filter. Chapel Hill, Nc, Usa: University OfNorth Carolina At Chapel Hill, 2001.

  [70] Nummiaro K, Koller-Meier E, Van Gool L. An Adaptive Color-Based Particle filter. Image AndVision Computing, 2003, 21(1): 99?110

  [71] Bolme D S, Beveridge J R, Draper B A, Lui Y M. Visual Object Tracking Using Adaptive Correlationfilters. In: Proceedings Of The 2010 Ieee Computer Society Conference On Computer Vision And PatternRecognition. San Francisco, Ca, Usa: Ieee, 2010. 2544?2550

  [72] 明軍, 阮靜, 楊楊。 基于特征庫的彩色圖像二值化方法[J]. 計算機工程與設計(5):344-347+362.

  [73] Henriques J F, Caseiro R, Martins P, Batista J. High-Speed Tracking With Kernelized Correlationfilters. Ieee Transactions On Pattern Analysis And Machine Intelligence, 2015, 37(3): 583?596

  [74] 姚曉飛。 基于機器視覺的電容屏非可視區引線缺陷檢測方法研究[D].南京理工大學,2014.

致 謝

  本文的研究工作是在我的導師鄭廣海教授的耐心指導下完成的,首先衷心感謝導師在論文寫作與修改過程中對我的培養和幫助!在這兩年的研究生期間,您為我提供了良好的科研平臺,指明了我所感興趣的學術研究方向,并在科研和生活方面給予了多方面的關懷和照顧。自從碩士學習階段師從導師,兩年來的言傳身教,我懂得了很多學習和做事的方法和道理,讓我一生受益。

  感謝答辯組的老師們,在我論文工作中給予了很多幫助和便利,衷心感謝各位老師們對我的研究工作的支持和幫助。

  感謝研究生期間的同學們,和他們進行的探討和交流啟發了我的研究思路,感謝我的室友們,同你們一起度過了這兩年難以忘懷的時光。還要特別感謝曲英偉老師,在我研究生期間的學習和論文規范寫作上給了我十分關鍵的幫助。

  感謝我的家人,你們在精神上給了我巨大的支持,在我面對困境時家人的照顧和陪伴讓我能以最好的狀態解決種種困難。

  最后衷心感謝百忙之中評閱論文和參加答辯的各位專家和教授們!

(如您需要查看本篇畢業設計全文,請您聯系客服索。

相關內容
相關標簽:計算機畢業設計
好優論文定制中心主要為您提供代做畢業設計及各專業畢業論文寫作輔導服務。 網站地圖
所有論文、資料均源于網上的共享資源以及一些期刊雜志,所有論文僅免費供網友間相互學習交流之用,請特別注意勿做其他非法用途。
如有侵犯您的版權或其他有損您利益的行為,請聯系指出,論文定制中心會立即進行改正或刪除有關內容!
欧美国产伦久久久久久久
<acronym id="cqmsy"></acronym>
<acronym id="cqmsy"><center id="cqmsy"></center></acronym>