关键词:
机器视觉
流量统计
行人检测与跟踪
深度学习
嵌入式系统
摘要:
随着计算机视觉领域的不断突破,智能监控得到了飞速发展。近些年边缘计算概念提出和硬件性能的提升,在本地处理数据的需求及能力与日俱增。本文针对嵌入式平台下机器视觉算法准确率较低、实时性差等问题,开展了行人流量统计相关技术研究。首先,进行了基于机器视觉的行人流量统计嵌入式系统总体设计。在分析了系统需求和应用场景之后,设计了系统的总体架构,采用“行人检测-行人跟踪-行人计数”的算法流程,并搭建了系统软硬件平台。然后,研究了行人流量统计嵌入式系统的行人检测算法。优选了SSD深度学习检测框架,考虑到行人目标的特殊性,改进了default box,使之更适应行人检测任务。同时为了进一步提高检测精度,本文提出了Top-Down结构,丰富了不同层次特征图的空间和语义信息。考虑到嵌入式平台的计算资源有限,改进了基于深度可分离卷积的主干网络,提高了算法的实时性。在Caltech测试集上的测试结果表明,改进后的算法在行人漏检率和合理行人漏检率上分别下降了12.14%和4.92%,检测速度为19.7FPS。和其他主流的检测算法相比,本文算法检测精度和速度的综合性能上有很大的竞争力,适用于嵌入式平台应用。其次,研究了行人流量统计嵌入式系统的行人跟踪算法。优选了基于相关滤波的KCF跟踪算法,采用FHOG特征、CN特征和灰度特征的融合策略,提高了特征的判别性;增加了尺度滤波器,有效改善了目标尺度变化的影响;利用基于多峰检测的模板更新策略,提高了对遮挡目标的跟踪鲁棒性。在OTB数据集上的测试结果表明,本文算法在精确度、成功率上分别达到了0.752和0.623,并且对实际场景中的干扰都有很强的鲁棒性,跟踪速度达到41.3FPS。改进后算法跟踪精度高,适合于嵌入式平台,实用性强。最后,测试分析了行人流量统计嵌入式系统。对检测结果与跟踪结果进行目标关联,删除超出视野的目标,同时增加视野内的新目标。然后结合轨迹分析法对目标轨迹进行分析从而实现行人目标计数。通过实际场景测试,结果表明,平均识别率为93.30%,平均帧率达到18.25FPS。本文提出的行人流量统计系统解决了精度低、实时性难以适应嵌入式平台的问题,有很强的实用性。