陈佳倩, 金晅宏, 王文远, 陆莹洁

(上海理工大学 光电信息与计算机工程学院, 上海 200093)

1 引 言

随着城市化进程的加快和智能交通的发展,车流量检测成了重要课题之一。车流量检测技术的发展可以进一步提高智慧城市的管理和规划能力以及城市的生产和服务效率[1]。交通规划部门常用的车流量检测方法多为空气管道检测技术、磁感应检测技术[2]等,这些技术的应用易受到外部因素的影响,已不能满足如今自动化程度越来越高的时代需求。随着图像处理技术、计算机视觉以及计算机硬件设施的发展,基于视频的车流量检测可以减少人为对检测的干预,计算机视觉被应用于视频车流量检测领域是车流量统计的发展趋势。基于视频的车流量检测通常分为2个部分:车辆检测和车辆跟踪。车辆跟踪的传统方法主要分为判别类方法和生成类方法,其中部分算法实时性差,复杂度高,如背景建模法、光流法[3，4]等;部分算法则容易受到目标移动速度影响,如卡尔曼滤波、粒子滤波、均值漂移[5,6]等。基于深度学习的目标检测算法主要分为基于候选区域和基于回归思想的算法。基于候选区域的算法如R-CNN、Fast R-CNN[7,8]等实时性能较差,而经改良的基于回归思想的YOLOv3算法[9]在精度提高的同时,实时性强。在车辆跟踪方面,跟踪算法SORT[10](simple online and real-time tracking)算法使用卡尔曼滤波器和匈牙利算法处理跟踪问题中的运动估计和数据关联。跟踪器对视频中的前一帧和当前帧处理,提高了在线跟踪的效率,但是无法解决长期遮挡和目标识别问题。……