英语原文共 13 页，剩余内容已隐藏，支付完成后下载完整资料
Digital Object Identifier 10.1109/TITS.2018.2876614
1524-9050 copy; 2018 IEE
嵌入式计算机视觉系统交通监控中的多目标检测
Ala Mhalla1， Thierry. Chateau1， Sami. Gazzah2， Najoua. Essoukri Ben Amara2，
1(Institut Pascal, Clermont Auvergne University(University des Cezeaux),France Aubiere 63178)
2(University of Sousse National Engineering School of Sousse,Tunisia Sousse 4002)
通讯作者: Ala Mhalla, E-mail: thchateau@gmail.com
摘 要:用于监控和控制交通的智能交通系统对于世界上一些城市的人来说是非常感兴趣的话题；一般来说，现有的交通监控系统由昂贵且复杂的设备组成，并且它们在操作，遮挡，日夜转换中存在着困难。在这论文中，我们提出了一种用于交通监控的嵌入式系统,可以在这些具有挑战性的条件下使用这个系统分析流量，特别关注多路交通中交通目标的检测和分类场景；此外，它还包含由原始的专业化框架。拟议的专业化框架利用通用的深度检测器来改善在特定流量情况下的检测准确性；实验证明拟议的专业化框架提出了令人鼓舞的多交通物体检测结果并在以下方面的最新专业化框架公共交通数据集中表现出色。
关键词： 交通监控；嵌入式系统； 转移学习；深度学习；MF R-CNN；似然函数；流量；目标检测
中图法分类号: TP311
中文引用格式：Ala Mhalla, Thierry. Chateau, Sami. Gazzah, Najoua. Essoukri Ben Amara. 嵌入式计算机视觉系统交通监控中的多目标检测
英文引用格式： Ala Mhalla, Thierry.Chateau, Sami. Gazzah, Najoua. Essoukri Ben Amara. An Embedded Computer-Vision System for Multi-Object Detection in Traffic Surveillance
An Embedded Computer-Vision System for Multi-Object Detection in Traffic Surveillance
Ala Mhalla1, Thierry. Chateau1, Sami. Gazzah2, Najoua. Essoukri Ben Amara2
1(Institut Pascal,Clermont Auvergne University(University des Cezeaux),Aubiere 63178,France)
2(University of Sousse National Engineering School of Sousse,Tunisia Sousse 4002,Tunisia)
收稿时间: 2017-06-30; 修改时间: 2017-11-26; 接受时间: 2018-10-11;发布时间: 2018-11-27
Abstract: Intelligent traffic systems for traffic surveillance and monitoring have become a topic of great interest to some cities in the world.Generally, the existing traffic surveillance systems are made up of costly equipment with complicated operational procedures and have difficulties with congestion, occlusion, and lighting night/day and day/night transitions. In this paper, we propose an embedded system for traffic surveillance that can be utilized under these challenging conditions. This system analyses traffic and particularly focuses on the problem of detecting and categorizing traffic objects in several traffic scenarios. Moreover, it contains a robust detector produced by an original specialization framework. The proposed specialization framework utilizes a generic deep detector so as to improve the detection accuracy in a specific traffic scenario. The experiments demonstrate that the proposed specialization framework presents encouraging results for multi-traffic object detection and outperforms the state-of-the-art specialization frameworks on several public traffic datasets.
Key words:Traffic surveillance, embedded system, transfer learning, deep learning, MF R-CNN, likelihood function, traffic object detection.
I. 引言
基于视觉的交通车辆监控仍然很复杂由于以下原因而在任何交通监控系统中多个因素，例如光照变化，相机校准和白天的情况。 因此，性能要求不再留在研究实验室的原型工作中，但他们面临现实世界中的问题。 这个需求使得建立这样一个系统的任务非常具有挑战性，特别是在需要准确性和速度时。
在过去的十年中，我们付出了巨大的努力致力于交通监控系统的开发，旨在通过监控道路来提高安全性环境。此外，多种感应方式已可用于交通监控，包括雷达，激光雷达和照相机。同时，计算能力急剧增加。此外，我们已经看到了出现面向并行化的计算平台作为图形处理单元和多核处理。这样硬件的进步允许计算机视觉方法用于交通监控，以便实时实施。但是，现有系统的性能取决于他们的交通目标检测器上有很多东西，值得注意的是如果交通监控系统具有坚固的探测器拟议专业化框架的全球概要如图1.（a）所示。通用深度检测器已微调由具有以下标记信息的源数据集交通对象注释的形式。给定目标视频标记信息不可用的序列，一个迭代过程将估计目标对象集和专用深度检测器的参数。后者会自动进行迭代训练，并被调用直到达到停止标准。然后是最后的专业深度检测器生成，其性能优于通用的（见图1.（b）和（c））。
（a）
（
(b)
（c）
Fig. 1. (a) General synoptic of proposed framework.Given a genericdetector trained by the source labeled dataset and a target video sequenceas inputs, the proposed framework estimates automatically the set of targetobjects and the parameters of the specialized deep detector. Finally, aftera predefined number of iterations, a final specialized detector is generated.(b) and (c) present the improvement of the specialized deep detector in bothday and night conditions: left images show the detection results for the genericdetector and the right ones for the specialized detector in several datasets.
图1.（a）拟议框架的一般概要。给定一个通用由源标记的数据集和目标视频序列训练的探测器作为输入，提议的框架会自动估算目标集对象和专用深度检测器的参数。最后，之后在预定义的迭代次数下，将生成最终的专用检测器。（b）和（c）展示了在两种情况下专用深度探测器的改进白天和黑夜的情况:左图显示了通用检测结果检测器和几个数据集中专用检测器的正确选择。
我们的主要贡献总结如下:
bull;用于多路交通物体检测的新型深度检测器基于Faster R-CNN深度模型
bull;深度卷积的专业化框架神经网络（DCNN）检测器
bull;基于小波的似然函数，用于从特定场景中正确选择未标记的样本
bull;在NVIDIA Jetson上实现的嵌入式系统TX1用于交通监控
本文的其余部分安排如下。第2节回顾了在交通对象检测领域。 关于的讨论我们的工作相对于最新方法的优势在第3节中给，然后详细介绍我们在第4节中介绍的方法。实验和结果是在第5节中描述。嵌入式的实现第6节讨论了用于交通目标检测的系统。最后，第7节给出了结论。
II. 相关工作
介绍流量对象的相关工作检测。在本节的第二部分中，我们概述了最近在转移学习和深度学习方面的工作，最后我们介绍了SMC Faster R-CNN [5]，这是主要的我们论文的参考。
检测和跟踪交通对象的问题是交通监控领域的一部分，是子领域运输系统（ITS）的概念。 ITS被称为有助于创造城市未来的钥匙世界[1]，[10]。 确实吸引了很多研究小组发展最新的理论和新颖的应用。
研究小组已经提出了几种系统解决交通目标检测和解决问题的世界跟踪交通监控系统。其中一些有在Sivaraman和Trivedi [10]的著作中有所描述，Neelima和Mamidisetti [11]，以及Abdulrahim和萨拉姆[1]。 这些系统使用运动检测来识别将对象作为移动的Blob并跟踪这些Blob对于许多后续帧。 大约，大多数根据特征[12]，[13]，分类器[14]，[15]和模型[16]，[17]。
第一类重点在于提取特定特征用经典描述符表示要分类的交通对象（例如，HOG [18]，Sobel edge [19]，SIFT [20]）。韩等。 [12]考虑了图像的特殊属性一个交通对象的补丁，并提出扩展HOG功能将空间局部性纳入标准HOG features [18]. Cheng et al. [13]提出了提振Gabor特征的参数是从一些样本以对交通对象候选者给出良好的响应。郑等认为结构相对一致交通对象的组件和建议的图像带代表各种基本本地元素的特征交通对象，例如保险杠，支柱和车轮。
第二类集中在设计分类器上。Wu and Nevatia [14]提出了集群增强的方法自动为多视图构建的分类器交通对象检测。 此方法采用了无人监督聚类以划分样本空间。 同样， Huang et al. [15]等人声称相似的分类器模型需要内部类的预定义知识子类别。
最后一类重点是设计描述符和通过使用DCNN模型来检测交通对象。 Li et al. [21]提出了一种通用的DCNN交通目标检测器通过以下方式检测到具有不同空间比例的行人使用大型子网和小型子网统一架构。 Li et al. [21]提出了一部新颖的小说由多个任务和数据集训练的模型，可提供强大的功能交通目标检测器。
但是，上述方法的性能取决于他们的训练数据集上很多，而当由于变化较大，因此已应用于新场景在源训练数据集和以下样本之间目标场景。 此问题可以通过转移解决学习，称为跨域适应。 这个后者有助于将通用检测器专门化为特定的检测器现场。 此外，转学已成为重要的计算机视觉研究的主题，主要是图像检测和认可。 得益于其卓越的性能和目标检测的计算效率，我们将本系统介绍的最新方法纸。
在过去的几十年中，已经提出了几种方法用于交通目标检测中的转移学习[3]，[5]，[8]，[23]，这将通用检测器应用于目标场景，使用一些启发式方法对每个检测进行评分，然后包括最有
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[238543]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
