基于视频处理的道路交通流跟踪统计系统设计与实现
这是一篇关于图像处理,深度学习,车辆检测,车流量统计的论文, 主要内容为随着经济环境的持续发展,机动车保有率迅速上升,导致交通状况不断恶化,城市拥堵日益严重,并衍生出许多交通事故和环境污染问题。基于此,针对道路交通流的检测与跟踪统计等研究课题受到了广泛关注。本文将结合实际道路环境,利用视频图像处理技术和深度学习理论对交通流进行分析处理,引入深度卷积神经网络以解决传统算法深受光照变化、车辆粘连、背景干扰等影响而导致车辆检测失效的问题,并提出基于重叠率匹配和图像特征提取的车辆跟踪统计算法,最终实现一个高准确率的交通流统计系统。本文主要研究工作如下:(1)研究基于深度卷积神经网络的车辆检测方法。针对传统视频图像处理技术检测运动目标时容易因光照和天气变化、车辆前后遮挡、彼此粘连等现象而导致出现较高漏检率和误检率的问题,提出利用深度卷积神经网络对运动车辆进行检测,并通过从多个视频场景中采集不同型号、外观、角度的车辆制作训练样本,对SSD(Single Shot MultiBox Detector)网络模型进行训练,极大的提高了车辆目标检测的实际场景适应性与检测精度。(2)研究基于重叠率匹配的车流量统计算法。在检测并提取出运动车辆之后,本文设计以目标区域边界重叠率为车辆匹配准则,并结合虚拟线圈技术提出了分车道车流量跟踪统计算法。不仅能解决拥堵路段,由车辆密集导致的错误计数问题还具备较高的算法执行效率。(3)研究运动车辆相关性判断方法。为了解决在车辆跟踪统计过程中由于视频帧检测固有的非持续性而导致错将同一辆车重复计数的问题。本文使用SURF(Speeded Up Robust Features)特征点提取算法提取出运动目标的特征,作为图像相似度计算的依据,再根据图像相似度判定车辆关联性。(4)设计实现基于OpenCV的智能交通流跟踪统计系统。使用SpringMVC作为JavaWeb系统开发的基础框架,MySQL作为数据库用于存储统计结果。在整个系统的开发阶段,进行了需求分析、概要设计、详细设计、系统实现和功能测试,保证了系统的稳定性和实用性。最后,通过对系统的功能测试和性能测试,验证了本文交通流检测与统计系统具备极高的准确性,并在复杂场景下具备较高的稳定性。研究结果可应用于实际交通场景中,并对交通运输行业的发展有一定积极意义。
基于深度学习的道路车辆检测系统设计
这是一篇关于车辆检测,FPGA,Vitis,深度学习,高层次综合的论文, 主要内容为随着社会经济的迅速发展,居民汽车拥有率大幅提升,交通出行更加便利的同时,交通拥挤、交通事故频发、城市交通压力增大等问题逐渐凸显,已成为世界各国面临的共同难题。而对于交通管理部门来说,准确掌握交通实时车流量以及实现对道路车辆的实时定位将有利于及时进行交通疏导,降低交通事故的发生概率。道路车辆检测技术又是车流量统计等任务获得车辆数量、位置等信息的基础。因此车辆检测技术的研究具有重要的现实意义和实际应用价值。车辆检测应用的是目标检测技术,本文分别介绍了传统目标检测算法和基于深度学习的目标检测算法。从目前的发展趋势来看,基于深度学习的目标检测算法的发展快于传统算法。在硬件上,相比于CPU(Central Processing Unit)、GPU(Graphic Processing Unit)和ASIC(Application Specific Integrated Circuit),FPGA更加适合用于深度学习网络的终端部署,例如Xilinx和Intel两家公司对其FPGA产品的深度学习应用都有着完备的软硬件开发工具支持。因此,为了满足道路车辆检测场景对实时性、准确性以及便捷性的要求,论文采用基于深度学习的单级目标检测框架SSD作为网络模型,选定Xilinx Zynq Ultra Scale+MPSo C ZCU102开发板作为硬件部署平台,以基于Vitis统一开发平台的半定制方式来构建基于FPGA的新型道路车辆检测系统。技术路线上,本文采用基于Vitis统一开发平台的半定制开发方式。卷积神经网络核心模块由深度优化定制的Xilinx官方DPU IP核实现,对于仍有一定计算量的算法预处理和矩阵后处理以及解码操作部分,考虑到使用FPGA IP核能很好地消除速度瓶颈,故采用DPU IP核加FPGA IP核的组合方式设计系统硬件平台。具体而言,DPU IP核和FPGA加速IP核通过Xilinx Vitis平台通过V++指令编译生成系统整体硬件平台,之后由V++指令将系统整体硬件平台、Xilinx官方嵌入式基础平台以及通用ext4格式的文件系统链接编译生成操作系统镜像。在硬件调用上,本文基于Xilinx Vitis AI技术生成DPU网络推断函数库和基于Open CL技术设计高层次综合硬件调度函数库,将二者以动态链接库的方式兼容于基于Python设计的多线程主机应用程序中。模型训练及测试采用的“公共道路车辆交通记录数据集”来自于Mendeley Data官网。论文作者利用数据集标注工具Label Img标注数据集得到VOC格式的标签,再将数据集图片和相应标签转换成TFrecord格式送入算法网络训练。训练得到的网络模型用于生成DPU动态链接库和可执行文件,并利用SSH方式远程连接主机和开发板,实现系统整体调试。测试结果表明,该系统在ZCU102开发板上可以准确地进行车辆检测识别,采用SD卡读入图片的测试方式系统处理单张图片大约用时55.33ms,DPU各网络层的平均算力性能值约为92.8GOP/S,个别层算力能达到约819.9GOP/S的峰值;而通过分辨率为640×480的摄像头采集图像的测试方式下,系统实时处理速度约为每秒17帧,功耗为30.8W。以上测试结果表明本文设计的新型道路车辆检测系统达到了对公路场景车辆实时检测的要求。论文的主要工作内容及特点在于:1、以半定制开发的方式构建了一种基于FPGA的深度学习框架,为深度学习的电路部署给出了参考;2、实现了一种基于深度学习的道路车辆检测方案,满足了实时检测的要求;3、标注了一个道路车辆数据集,为此领域其他相关工作提供了支撑。
基于深度学习的道路车辆检测系统设计
这是一篇关于车辆检测,FPGA,Vitis,深度学习,高层次综合的论文, 主要内容为随着社会经济的迅速发展,居民汽车拥有率大幅提升,交通出行更加便利的同时,交通拥挤、交通事故频发、城市交通压力增大等问题逐渐凸显,已成为世界各国面临的共同难题。而对于交通管理部门来说,准确掌握交通实时车流量以及实现对道路车辆的实时定位将有利于及时进行交通疏导,降低交通事故的发生概率。道路车辆检测技术又是车流量统计等任务获得车辆数量、位置等信息的基础。因此车辆检测技术的研究具有重要的现实意义和实际应用价值。车辆检测应用的是目标检测技术,本文分别介绍了传统目标检测算法和基于深度学习的目标检测算法。从目前的发展趋势来看,基于深度学习的目标检测算法的发展快于传统算法。在硬件上,相比于CPU(Central Processing Unit)、GPU(Graphic Processing Unit)和ASIC(Application Specific Integrated Circuit),FPGA更加适合用于深度学习网络的终端部署,例如Xilinx和Intel两家公司对其FPGA产品的深度学习应用都有着完备的软硬件开发工具支持。因此,为了满足道路车辆检测场景对实时性、准确性以及便捷性的要求,论文采用基于深度学习的单级目标检测框架SSD作为网络模型,选定Xilinx Zynq Ultra Scale+MPSo C ZCU102开发板作为硬件部署平台,以基于Vitis统一开发平台的半定制方式来构建基于FPGA的新型道路车辆检测系统。技术路线上,本文采用基于Vitis统一开发平台的半定制开发方式。卷积神经网络核心模块由深度优化定制的Xilinx官方DPU IP核实现,对于仍有一定计算量的算法预处理和矩阵后处理以及解码操作部分,考虑到使用FPGA IP核能很好地消除速度瓶颈,故采用DPU IP核加FPGA IP核的组合方式设计系统硬件平台。具体而言,DPU IP核和FPGA加速IP核通过Xilinx Vitis平台通过V++指令编译生成系统整体硬件平台,之后由V++指令将系统整体硬件平台、Xilinx官方嵌入式基础平台以及通用ext4格式的文件系统链接编译生成操作系统镜像。在硬件调用上,本文基于Xilinx Vitis AI技术生成DPU网络推断函数库和基于Open CL技术设计高层次综合硬件调度函数库,将二者以动态链接库的方式兼容于基于Python设计的多线程主机应用程序中。模型训练及测试采用的“公共道路车辆交通记录数据集”来自于Mendeley Data官网。论文作者利用数据集标注工具Label Img标注数据集得到VOC格式的标签,再将数据集图片和相应标签转换成TFrecord格式送入算法网络训练。训练得到的网络模型用于生成DPU动态链接库和可执行文件,并利用SSH方式远程连接主机和开发板,实现系统整体调试。测试结果表明,该系统在ZCU102开发板上可以准确地进行车辆检测识别,采用SD卡读入图片的测试方式系统处理单张图片大约用时55.33ms,DPU各网络层的平均算力性能值约为92.8GOP/S,个别层算力能达到约819.9GOP/S的峰值;而通过分辨率为640×480的摄像头采集图像的测试方式下,系统实时处理速度约为每秒17帧,功耗为30.8W。以上测试结果表明本文设计的新型道路车辆检测系统达到了对公路场景车辆实时检测的要求。论文的主要工作内容及特点在于:1、以半定制开发的方式构建了一种基于FPGA的深度学习框架,为深度学习的电路部署给出了参考;2、实现了一种基于深度学习的道路车辆检测方案,满足了实时检测的要求;3、标注了一个道路车辆数据集,为此领域其他相关工作提供了支撑。
基于FPGA和CNN的车辆目标检测系统设计
这是一篇关于FPGA,车辆检测,MobileNet,硬件加速的论文, 主要内容为随着我国经济快速发展,国民汽车持有量不断增长,给城市交通带来严峻挑战。为缓解交通阻塞和减少交通事故发生率,中国智能交通系统(ITS)迅速发展。车辆检测作为其中一项关键技术,实时的反馈交通信息显得尤为重要。近年来,传统方法的车辆目标检测效果表现平平,而基于深度学习的车辆目标检测方法逐渐成为主流算法。但其较高的计算量成为移动端设备部署的难题,在实时性和低功耗方面往往不能兼得。FPGA因其高并行性和流水线处理等特性,不仅在处理速度和功耗方面有较大优势,而且可重构设计灵活便捷。故本文基于FPGA进行车辆目标检测系统设计。本文采用CPU+FPGA异构计算平台方式进行车辆目标检测系统设计。CPU端负责完成基于卷积神经网络Mobile Net的车辆目标检测算法设计,将训练好的网络参数通过光纤模块传输至FPGA中;FPGA端利用逻辑电路搭建网络模型结构,对摄像头OV5640采集到的视频图像进行实时车辆目标检测,通过HDMI将视频图像和车辆目标检测结果在显示屏上实时显示。本文主要研究内容包括:(1)对系统进行自上向下的模块化设计,对数据通信、图像采集和显示控制等模块进行流水线和并行处理;(2)设计一种通用型卷积计算引擎,适用于Mobile Net中所有卷积层的计算,同时对不同类型卷积层进行多通道并行和资源循环复用设计,提高计算速度的同时减少资源消耗;(3)根据FPGA的处理特性,选用轻量型卷积神经网络Mobile Net作为车辆目标检测算法的基础,通过合理的设置宽度因子α和分辨率因子β对网络模型进行压缩瘦身,并对网络参数进行定点化设计;(4)将网络模型中的卷积层和批量归一化进行层融合设计,简化其在FPGA中逻辑电路结构的设计,提高计算效率。最终,基于Xilinx的XC7K325 FPGA芯片,采用Verilog硬件描述语言完成系统硬件设计。对优化后的算法进行硬件部署,在50MHz时钟频率下,系统总功耗为2.89W,车辆检测算法部分功耗为0.688W,检测帧率可以达到52.69fps。与近几年相关文献相比,本设计硬件资源消耗较少,且处理速度和功耗方面具有一定的优势。
高密交通场景的车辆目标检测算法研究与实现
这是一篇关于车辆检测,无锚检测,特征金字塔网络,IoU,损失函数的论文, 主要内容为高密场景的车辆检测是计算视觉领域的热点研究内容之一,对于车路协同感知的研究与发展具有重要意义。基于交通场景进行车辆目标检测时,常常容易因为场景中由于车辆分布密集或待检测目标距离采集设备过远而产生目标识别效率差、检测速度慢等情况。在深度学习算法中,计算机视觉任务的目标检测成为主流,由于传统的基于锚框的目标检测算法效率低且无法保证精度与速度的平衡,本文基于无锚检测方法,对现有深度学习算法进行优化,实现了高效高精度的密集车辆目标检测。论文主要工作如下:(1)提出了一个全卷积单阶段无锚检测方法,消除预定义的Anchor box,避免了与锚框相关的复杂计算。直接对目标车辆的中心点进行计算,得到预测目标的位置,提升了目标检测任务的效率,并大大提高了检测速度。(2)在算法框架中,本文设计了一种基于Retina Net算法的高密度交通场景下车辆目标检测算法,从预测方法以及预测结果的质量估计方面,对该算法进行优化从而得到性能提升。针对由于检测车辆过于密集而产生的重叠样本以及远距离的检测目标,提出了特征金字塔结构FPN,采用层级预测不同尺度的目标,并对该结构进行优化,对负责远距离小目标检测层增加一次预测过程,从而降低了检测区域的重叠概率提高检测精确度。在检测层对输出的预测框进行质量估计,计算交并比(Io U)提升回归精度。针对不同的检测任务分别设定损失函数,通过引入Focal loss的损失计算,与Io U loss以及二元交叉熵损失函数结合得到该算法的损失值。(3)采集西安市碑林区南二环交通拥堵场景的数据,通过视频关键帧筛选、2d图像标记制作自己的数据集,输出为COCO数据集格式用于测试本论文算法。用生成的数据集实现本文算法并与YOLOv3以及Retina Net算法进行实验对比。最后为了更好的展示本文研究成果,本文基于C/S架构将所研究算法模型进行系统集成,开发实现了密集车辆目标检测平台。从实验结果分析,与Retina Net算法对比,本论文算法在检测速度fps指标和目标检测精度方面都得到了极大的提升。检测速度从32fps增加到52fps,对车辆的检测精度由52%增加到了90%,同时提高了对高密度场景中目标的检测能力。
本文内容包括但不限于文字、数据、图表及超链接等)均来源于该信息及资料的相关主题。发布者:源码工厂 ,原文地址:https://m.bishedaima.com/lunwen/46216.html