梁秦嘉,刘 怀,陆 飞

(南京师范大学电气与自动化工程学院,江苏 南京 210023)

随着计算机视觉的发展,研究人员越来越重视与运动目标检测相关的课题研究[1]. 伴随着城市智能交通的不断发展,针对交通视频中的运动车辆进行检测已成为当前一个重要的研究课题,该研究可为解决交通拥堵、提取交通违法证据等各种交通智能控制应用提供有效数据支持.

传统的运动目标检测算法主要是基于视频帧的[2],通过帧与帧之间的差异来判断目标是否运动,常用方法有帧间差分法[3]、背景减除法[4]、光流法[5]等. 此类方法极易受到背景信息的影响,导致检测精度较低,易造成误检和漏检[6]. 随着机器学习的不断发展,为了能够更好地完成检测工作,专业人员深入分析大图像的特点,结合实际需要进行方法多样化拓展. 目标检测工作首先需确认检测区域,全面分析检测目标属性,提取相应的特征,再进行类别划分[7]. 传统方法受较多条件限制,尤其在目标特征设置方面,只有按需妥善进行特征设计才能更精准地完成模型的建立. 此外,特征提取的准确与否直接影响目标的准确定位,多数情况下传统方法无法提取出目标高层特征,所表达的语义仅仅停留在低层范围内.

近年来,随着图形处理单元(graphics processing unit,GPU)硬件的快速发展,深度学习在目标检测领域取得了显著的进步[8]. 在特征提取过程中利用手工模式得到的结果不够精确,存在很多不足之处,这也是传……