论文部分内容阅读
近年来,机动车持有量不断增加,随之而来的是交通违法行为的增加。其中,车辆压线行为是一种常见的违章行为,常造成违章变道、拥堵、交通事故等。传统图像处理压实线检测方法通过差分法检测车辆,采用颜色、形状等特征提取车道线,容易受外界环境影响,检测准确率不理想。近年来得益于计算机技术的快速发展,深度学习技术取得了长足的进步。本文研究并分析了传统图像处理技术和卷积神经网络原理,介绍了YOLO系列卷积神经网络,提出了一种基于YOLOv4卷积神经网络的车辆压实线检测方法,主要工作如下:(1)研究并提出了一种传统图像处理与深度学习融合的车辆压实线检测方法,实现了结构化道路车辆压实线行为检测、抓拍等功能。(2)针对车道区域容易被车辆等目标遮挡的问题,提出了一种基于车辆数据的快速背景更新算法。分析表明,该方法明显提高了车道区域的完整性。(3)针对传统Hough车道线检测方法存在的检测区域固定问题,提出了一种自适应检测区域的车道线检测方法,该方法克服了传统Hough车道线检测方法检测区域固定的问题。(4)针对传统压实线判断方法斜视角度检测效果不佳的问题,提出了一种基于斜率分类的压实线判断方法,该方法克服了斜视判断问题。(5)针对UA-DETRAC车辆公开数据集格式不符合模型训练需求的问题,采用代码将数据集格式进行了转换。(6)为了提高卷积神经网络检测的准确率,对多种卷积神经网络训练参数进行了对比实验,探索出了一组训练参数,获得了较高的检测精度。最后,利用基于python语言的opencv函数库、pytorch深度学习框架函数库,在Ubuntu16.04操作系统上,对本文提出的车辆压实线检测方法、深度学习训练方法进行了实验。结果表明本文方法提高了车辆压实线检测准确率,具备一定的实际应用价值。