原文传递
基于深度学习理论的桥梁上车型识别与检测跟踪研究
| 论文题名： | 基于深度学习理论的桥梁上车型识别与检测跟踪研究 |
| 关键词： | 桥梁荷载;车型识别;目标跟踪;深度学习;卷积神经网络;卡尔曼滤波;数据关联技术 |
| 摘要： | 随着交通运输重要性的增加，对在役桥梁进行低成本、无接触、不需封闭交通的健康监测的问题亟待解决。对此本文提出了基于桥面拍摄的视频进行车辆自动检测跟踪分类的系统，该系统利用深度学习算法Faster R-CNN对车辆位置进行检测，通过卡尔曼滤波跟踪算法和数据关联技术对多目标进行跟踪，再通过深度卷积神经网络VGG-16并结合建立的车辆数据信息库对车辆类型进行识别，从而得到被测桥梁上车辆的基本类型、轴重区间和实时轨迹。该系统是一种低成本、无接触、无需封闭交通的识别桥梁车辆荷载的方法，为实现基于非接触式计算机视觉技术识别桥梁上车辆荷载及其时空分布奠定了基础，同时为实现新型的非接触式桥梁结构识别提供了重要的数据来源。本文的主要工作内容有： （1）建立车辆数据信息库。本文收集和分析了各国关于车辆分类的规定，并结合相关研究成果，建立了车辆细分类标准。根据车辆外型与轴重对应关系等相关参数将车辆分为12类。在该细分类标准的基础上，通过收集汽车公告信息，建立了包含车辆轴距区间、轴重区间和总重区间等信息的车辆数据库。 （2）训练车辆类型识别卷积神经网络模型。本文利用建立好的车辆数据库对AlexNet和VGG-16两种不同的卷积神经网络模型进行了对比训练。训练结果表明，微调在大型公开数据集上预训练过的模型和采用数据增强方法均能够提高两种模型的平均精度，同时在相同的训练参数下VGG-16模型精度高于AlexNet模型。在采用微调和数据增强方法下，VGG-16模型的平均精度能达到98.17%。 （3）车辆位置检测算法研究。本文对比了基于高斯混合模型的背景差分法和深度学习Faster R-CNN两种方法在车辆位置检测中的效果。对比结果表明，基于高斯混合模型的检测方法虽然实现简单快速，但对于复杂环境下的问题处理能力不足，而Faster R-CNN虽然前期耗费了大量资源，但其检测效果很稳定，能够准确检测出各种环境下不同类别车辆在图片中的位置。 （4）车辆位置的跟踪算法研究和设计车辆自动检测跟踪分类系统。本文将第三步中得到的车辆位置检测结果作为卡尔曼滤波目标跟踪算法的初始信息创建跟踪器，用数据关联技术实现了多目标自动跟踪和丢弃。对一个视频进行实验，结果表明基于卡尔曼滤波的目标跟踪算法对于复杂实际场景下的各种类型车辆能够准确跟踪。结合前面各步的内容，本文设计了基于GUI图形用户界面的车辆自动检测跟踪分类系统。 |
| 作者： | 李紫玮 |
| 专业： | 建筑与土木工程 |
| 导师： | 周云;樊昀 |
| 授予学位： | 硕士 |
| 授予学位单位： | 湖南大学 |
| 学位年度： | 2019 |
| 正文语种： | 中文 |
检索历史
应用推荐
