摘要
道路交通中车辆目标的流量统计和行为分析对交通管理具有重要意义。在智能交通视频分析技术中，车辆目标的检测通常是其他研究工作的基础，开发一种高效且鲁棒性较好的检测算法对交通视频分析系统起着关键作用。本文以高速公路交通场景为研究对象，把基于深度学习的目标检测技术和目标跟踪技术相结合，实现车辆目标的准确检测、分类、车辆计数和异常事件检测。 本文在充分研究、分析和比较了当前主要的深度学习目标检测框架（FasterR-CNN和SSD）特点的基础上，选择了实时性和准确度较好的SSD框架作为目标检测的基础结构。针对高速公路场景，制定了样本标注的格式、方法和规则，完成了包含3类车辆（Car、Bus、Truck）、3个角度（正视角、侧视角、后视角）、2个时段（白天、夜间）共计45794个车辆目标的数据集标注工作。在此基础上，进行SSD框架基础网络模型（BaseNet）的对比试验，确定VGG16作为基础模型；利用自制数据集，采用Fine-Tuning方法，进行SSD模型的训练和调参，生成本研究使用的基于深度学习的目标检测模型。通过此模型不仅能实现目标的可靠和精确检测，而且能够实现车型的准确分类。设计了一种多目标匹配的算法，当检测到目标后，实现同一目标、不同帧之间的相互关联，并结合目标跟踪算法获得目标的运动轨迹，实现了基于轨迹的车辆计数及逆行、违停等异常行为的检测。 本文中的算法在高速公路特定场景下经过测试，车辆目标的检测准确率达到89.4%，分类准确率为99.6%，计数准确率达到97.5%，在单NVIDIA1080TiGPU服务器中，其目标检测处理速度达到13-22fps，基本满足实时性要求。
NETL