多场景交通视频目标检测系统设计与实。分别对结构化道路线、行人与车辆、城 市道路...
多场景交通视频目标检测系统设计与实现
近年来，机器视觉受到了越来越多的关注，目标检测作为机器视觉的一个重要分支，
已经广泛地应用到生活的各个领域，如无人驾驶、安防监控、航空航天等。本文结合无
人驾驶、智能交通等领域，针对交通视频场景，分别对结构化道路线、行人与车辆、城
市道路沙盘仿真车等目标进行检测，主要研究内容如下：
(1)行车视频的车道线检测系统的设计与实现。为了对行车视频的车道线进行实时检
测，使得系统能够应对高速公路场景，保证检测的精确性与稳定性，本文设计了一种车
道线区域搜索方法。具体的，首先设定感兴趣区域，提取路面区域并提高检测速度；然
后增强车道线垂直方向的边缘特征，并消除图像噪声，优化Hough 线变换的检测效果，
提高检测的精确性；对检测出的直线模型进行分区域搜索，识别出左右车道线并赋予标
签信息；根据车道线的标签信息，并融合前后帧的检测结果，设计一种拟合更新机制，
提高检测的稳定性；最后根据检测出的车道线，划定行驶区域以及输出车辆偏离变道信
息。实验结果表明，车道线检测准确率达到97.2%，处理速度达到每帧33ms，能够满足
车道线检测系统在无人驾驶领域中的稳定性与实时性的要求。
(2)视频场景目标检测系统设计与实现。为了提高在路口监控、城市道路沙盘场景下，
目标检测的准确性与实时性，针对场景中存在的光线变化、小型目标、背景复杂以及物
体遮挡等问题，本文实现了一种基于YOLOv3 的目标检测系统。具体的，利用FPN 结
构实现多尺度特征提取，更充分地融合浅层网络与深层网络的特征，解决小型目标的检
测问题；通过预设九个尺度先验框以及目标置信度淘汰机制，更快更精准地预测目标位
置与类别；同时结合了数据增强的方法处理数据集，提高模型的泛化能力与鲁棒性。实
验结果表明，路口监控下的行人和车辆检测准确率分别为96.9%、94.3%，每帧用时都
为83.3ms；城市道路沙盘上的智能小车、无人机、越野小车、圆盘小车检测准确率分别
为93.2%、95.3%、90.5%、96.2%，每帧用时都为83.3ms，能够满足路口监控、无人机
航拍视频分析的准确性与实时性的要求。
关键词：交通视频，无人驾驶，智能交通，车道线检测，目标检测
页:
[1]