基于深度学习的高速公路交通事件检测研究

摘要：

鉴于传统交通事件检测方法的准确率和实时性无法满足多变的高速公路视频监控检测需求的问题,因此提出使用深度学习的交通事件检测方法.为了提高对高速公路远处小目标车辆检测率,选取并融合多种尺度的特征图进行预测来提升算法检测能力,将改进后的深度目标检测网络YOLOv4与目标跟踪算法DeepSORT相结合,考虑满足实际高速公路下交通事件检测实时性的要求,重新定义了DeepSORT外观模型对基于DeepSORT多目标跟踪算法中的表观特征提取方式改进为方向梯度直方图(HOG)特征提取方式,通过目标轨迹特征对视频中出现的行人和车辆逆行交通异常情况的判别.由于高速公路车辆检测作为专业领域的图像目标检测,目前没有开源的数据集,因此通过收集不同场景、环境下的高速公路视频监控,对视频流进行处理,并自行筛选建立对应格式下的车辆数据集.实验结果表明,在保证检测效果的前提下,将检测速度由原来的16提升至20 fps,在提高检测时间的前提下将漏检率降低了9％,因此该方法具有较高的判别精度和检测效率.

关键词：交通事件检测;YOLOv4目标检测算法;DeepSORT多目标跟踪算法;HOG特征

所属期刊栏目：40

分类号：TP391(计算技术、计算机技术)

在线出版日期：2022-01-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：108-116