基于卷积神经网络的车辆识别与轨迹重构系统开题报告

1. 研究目的与意义、国内外研究现状（文献综述）

课题意义： 随着道路交通的高速发展，我国公路总里程达到 477.4 万公里。全国汽车总量达 到 2.4 亿，巨大汽车数量和落后的交通基础设施导致交通拥挤，混合交通，事故多发、 交通管理水平低等诸多问题。 车辆轨迹数据为交通流建模和分析提供关键信息，近期无人机应用的发展有效降 低了交通视频采集的成本，且增大空间时间覆盖维度，支持工作环境多样化，具有较 强的灵活性。然而，航拍视频中车辆尺寸小，特征不明显，小型目标的精确检测极具 挑战，如果出现漏检、错检，则易导致轨迹重构错误。国内外研究概况： 车辆检测属于目标检测（Object Detection）的子任务，而目标检测作为计算机 视觉中的一个基本且具有挑战性的问题，成为近几十年来的研究热点。1997 年 Wren[1] 等人再中使用了单高斯模型，设计实现了一个早期的目标检测框架 Pfinder，主要用 于检测行人，而随后 KaewTraKulPong[2]等人提出的混合高斯模型（Gaussian Mixture Model，GMM）和 Kim[3]等人提出的码本模型都有效改进了基于背景建模方法的检测效 果。Dalal[4]等人提出提出著名的梯度直方图（Histogram of Oriented Gradient，HOG） 特征，提取物体各个方向上特征的表示。Viola P[5]等人提出使用 Haar 特征结合 Adaboost 分类器进行检测，利用积分图像快速计算 Haar 特征，极大的提高了训练速 度和检测效率。 目前使用深度学习进行车辆检测和识别已经成为主流方法，其中因网络结构差异 而分为两类：一类是由区域提取网络和检测分类网络组成的两级检测识别网络；另一 类是直接使用检测分类网的单机检测识别网络。 两级检测识别网络结构由 Girshick[6]等人提出，基于区域的卷积神经网络 （Regions with CNN，RCNN）使用区域建议算法推测目标位置，再将大量候选框送入 卷积神经网络进行分类。RCNN 提供了基于区域的检测识别思路，但网络检测耗时较长。 为此 Girshick[7]等人提出了 Fasr R-CNN，通过对整个输入图像进行卷积，使各候选区 域共享特征，减少了检测识别网络运行的时间。 与两级网络相对的直接使用检测分类网络的单级检测识别网络。Redmon[8]等人提 出 YOLO（You Only Look Once）是一个可以一次性预测多个目标选框的位置和类别的 卷积神经网络，能够实现端到端的目标检测和识别。YOLO 没有使用提取选框的方式训 练网络，而是直接选用整张图像去训练模型。这样做的好处在于可以更好的区分目标 和背景区域，相比之下，采用候选框的训练方式的 Faster R-CNN 常常把背景区域误 检为特定目标。当然，YOLO 在提升检测速度的同时牺牲了一些精度。YOLO 对距离很 近的物体和像素较小的物体检测效果不好，网络的泛化能力偏弱。Liu[9]等人借鉴了 Faster R-CNN 基于候选区域建议的精确定位和 YOLO 的快速检测方法，提出了 SSD （Single Shot multi-box Detector），实现了对端到端的目标检测方法的改进。SSD 包括两个部分，第一部分的基础网络用于图像分类，并去除涉及到分类层。第二部分 是作者设计的额外的特征提取层，通过加入额外的卷积层，得到不同尺度的特征图， 从而将不同尺度的卷积模型用于不同尺度的目标预测。由于 SSD 网络模型较为简单， 可扩展性强，随后在其基础上进行改进的网络模型也取得了良好的检测识别效果。在 SSD 结构之后，Redmond[10]等人在 YOLO 的基础上提出了 YOLOv2 的检测识别框架，从检 测精度，检测速度和检测类别三个方面对网络模型进行优化。杨恩泽[11]等人在以往 的基础上对各种算法进行了设计、优化和对比等操作。

应用前景： 近几年我国不断推进智能交通建设，研究城市道路下的混合交通流对城市道路规 划，道路设计改善、交通组织设计、信号控制优化、交通安全诊断、通信延误分析都 具有十分重要的意义，而在城市交通研究中，轨迹数据为研究提供了有效价值。近年 来对轨迹数据的需求逐渐增多，其中对冲突点研究、无人驾驶车辆的轨迹规划等研究， 需在大量的精确轨迹数据支撑下进行。目前的轨迹数据提取方法大多基于道路监控等 固定摄像头，而固定摄像头高度受限，角度受限，采集到的视频道路区段较短。但同 时随着无人机技术的广泛应用，无人机为交通视频采集降低了成本并且方便视频的采 集，有较强的灵活性。

2. 研究的基本内容和问题

研究目标：实现对车辆目标的检测和对车辆轨迹的重构

主要内容及关键问题：

3. 研究的方法与方案

研究方法：

使用tensorflow框架下的yolov3算法python语言搭建深度学习网络，进行深度学习，也可以尝试keras架构。在yolov3算法的基础上也会尝试其他深度学习算法来与yolov3进行对比。

4. 研究创新点

特色和创新：

以往的轨迹识别都是通过监控摄像头拍摄的监控视频，距离较短，角度固定，采用无人机航拍视频的方式可以获得较长的拍摄长度和不受空间的限制，可以对不同的路段进行视频拍摄打破以往的固定方式。新型的方式便于交通信息数据的采集和分析，与以往的可以减少人工的干预，由计算机完成数据的分析。

5. 研究计划与进展

研究计划：

第一周：学习python和tensorflow框架，了解深度学习的相关概念和专业术语，了解深度学习的流程，和如何利用tensorflow建立模型

第二周：去网上查找图片，利用网上资源制作数据集，尝试设计网络。