目录
摘要 2
关键词 2
Abstract 3
Keywords 3
引言： 4
1文献综述 4
1.1国内外研究现状 4
1.2成果与问题 4
1.3论文研究任务 5
2方案论证 5
2.1基于TensorFlow框架下的机器学习 5
2.2YOLO v3[13]目标对象检测算法 5
2.3Deepsort多目标跟踪算法 7
3过程论述 7
3.1数据集制作 7
3.2数据集训练 8
3.3Deepsort多目标跟踪算法 12
4结果分析 17
4.1设计界面 17
4.2图片识别功能 17
4.3摄像头识别功能 18
4.4视频识别功能 19
5讨论和结论 21
5.1本研究的主要工作 21
5.2本研究工作让然存在的问题 21
5.3展望 22
致谢 22
参考文献： 23
基于卷积神经网络的车辆识别与轨迹重构系统
摘要
在我国经济快速繁荣的影响下，机动车保有量呈现突飞猛涨情况，促进了智能交通的飞速发展，国家交通监控系统的日趋完善，识别车辆并跟踪在未来交通发展中有在着非常重要的作用。[1]车辆识别与跟踪是目标检测以及目标跟踪的一个重要分支，相比较普通的目标检测，车辆识别与跟踪是基于视频情况下的图像处理过程，对每一帧视频的内容的检测，由于视频情况下车辆的相对移动以及其他建筑物会产生对运动车辆的遮挡导致需要构造检测目标与跟踪目标的坐标特征关联损失和外观特征关联损失进行多目标的关联匹配。
此次毕业设计应用了目前处理多目标跟踪问题的主流策略就是目标跟踪算法策略TrackingbyDetection即基于目标检测的结果来处理分析以及预估后达到目标跟踪的目的的算法策略。Deepsort[2]算法就是基于上述的策略的多目标检测与跟踪算法。采用YOLO v3（youonlylookonce v3）类物体检测算法，Kalma *51今日免费论文网|www.51jrft.com +Q: ^351916072# 
nfiltering（卡尔曼滤波）算法实现单目标运动状态的跟踪。按照PASCAL VOC数据集格式制作数据集作为本次毕业设计的训练及测试集，可以很好的达到预期的效果，实现图片视频以及摄像头拍摄画面的车辆识别功能，并且能够达到一定的识别准确率。
引言
引言
伴随着交通网络的飞快发展，巨大的汽车保有数量以及相对落后的车辆管理体系，导致道路交通拥挤，多种车辆混合交通，多级交通事故频发，交通管理水平低等问题，车辆的跟踪在车辆管理中发挥着非常重要的作用，伴随着国家监控网络的逐渐完善，可供使用的监控视频较多。车辆识别与跟踪是目标检测研究的重要分支任务，同时也是很多其他课题研究的基础例如无人驾驶，并且车辆识别作为计算机视觉中的难度性较高的问题，也是近几年广大师生和研究人员的热点研究课题。目前主要流行的是基于TensorFlow框架下采用YOLO v3算法进行识别[3]，使用Deepsort多目标跟踪算法，视频处理与图片识别的最大区别是需要判断前后两帧中的目标是否是同一目标移动产生位置差异，同时车辆移动速度会比较快，位置产生的差异变化较大，需要通过匈牙利算法和卡尔曼滤波使得两个目标能够关联，以至于不会被计算机误以为是两个不同物体。
文献综述
国内外研究现状
自从1997年Wren[5]等人使用了单高斯模型，设计实现了一个早期的目标检测框架Pfinder，主要用于检测行人开始目标检测目标检测就开始了他的发展历程。目前利用深度学习进行车辆检测和识别已经成为主流方式也是相比较人工识别的较为简单的方式，其中因网络结构差异而分为两类：一类是由区域提取网络和检测分类网络组成的两级检测识别网络；另一类是直接使用检测分类网的单机检测识别网络。
两级检测识别网络结构由Girshick[6]等人提出，基于区域的卷积神经网络（RegionswithCNN，RCNN）使用区域建议算法推测目标位置，再将大量的候选框送入卷积神经网络进行分类训练。RCNN提供了基于区域的检测识别思路，但网络检测耗时较长。为此Girshick[7]等人提出了FasrRCNN，经过对整体的输入图像进行卷积运算，使各候选区域共享特征，缩短了检测识别网络执行的时间和降低了所需要的计算资源。
与两级网络相对的直接使用检测分类网络的单级检测识别网络。Redmon[8]等人提出YOLO（youonlylookonce）卷积神经网络，是一个能够一次预测多个侯选框的位置和类别的卷积神经网络，可以实现由端到端的目标检测和识别工作。YOLO没有使用提取目标选框的方式训练网络，而是采用将整张图像直接进行训练模型的方式，这样做的优点在于可以更好的分辨出目标区域和背景区域之间的区别，比较之下，采用对候选框区域的训练方式的FasterRCNN经常会把背景区域误检认为是所需要识别的目标物体。由于精度和速度在当前的深度学习背景下还不能做到同时兼顾，多以YOLO算法在加快检测识别速度的同时只能牺牲了一些识别的准确度。YOLO在对距离较近的物体和像素较小的物体检测识别方面的效果欠佳，网络的泛化能力较差。Liu[9]等人借鉴了FasterRCNN基于候选区域建议的精确定位和YOLO的快速检测识别方法，提出了SSD（Single Shotmultibox Detector），完成了对端到端的目标检测识别方法的改进。SSD包括两块，第一块是整个是被体系的基础网络部分用于对图像进行分类，并且去除了涉及到分类层部分的内容。第二块是额外设计的特征提取层，使用加入额外的卷积层的手段来得到不同大小的特征图，从而将不同尺度的卷积模型用于不同尺度的目标预测。由于SSD网络模型较为简单，可扩展性强，随后在其基础上进行改进的网络模型也取得了良好的检测识别效果。在SSD结构之后，Redmond[10]等人在YOLO的基础上提出了YOLOv2的检测识别框架，从检测精度，检测速度和检测类别三个方面对网络模型进行优化。

原文链接：http://www.jxszl.com/jsj/wljs/606895.html