论文总字数：29448字

摘 要

自从计算机诞生以来，与计算机相关的技术日新月异，当前最新且发展前景比较好的就是人工智能了。人工智能是一种包含比较广泛的科学，它包括机器学习，大数据开发，计算机视觉等，其中计算机视觉应用最广泛的领域就是交通系统了。由于传统的人为监控交通情况效率比较低，往往达不到很好的监控效果，所以与计算机视觉技术结合的智能交通系统孕育而生。

本文研究的车辆检测与车流量统计则是智能交通视频监控系统的关键技术之一。对于监控场景中车辆的实时检测，一般有背景差分法、时间差分法、光流法等研究方法，其中简单的方法是基于背景的图像差分法，然而，背景图像差分法需要准确的当前背景图像，而背景自动更新的方法和光照变化是很难设计和实现的，这限制了它的应用。针对上述问题，本文采用了一种基于Darknet框架的YOLOv3算法模型。相比于传统的一些算法模型，YOLO是一种新的目标检测方法，该算法中的Darknet框架可以通过Ubuntu系统输入脚本命令进行搭建，可以很方便的进行数据训练工作。

首先要收集本课题需要的一些样本图片，对其进行更改名称以及尺寸大小，再用labelImg软件对收集到的图片进行标注，结果会得到对应的xml文件，里面是检测目标在图片中的位置信息。然后编写python程序将数据集划分为训练集、验证集和测试集，并生成相关的txt文件。将图片、xml文件和txt文件放入darknet框架中，更改darknet相关文件里的参数，使之符合本课题的检测标准，然后通过输入脚本命令就可以进入数据训练阶段。

用Darknet框架实现YOLOv3模型训练结束后，借助OpenCV计算机视觉库对训练好的模型进行图像和视频的检测，检测出的map值为78.79%，从而可以得出用YOLOv3模型确实能够达到预期目标。

关键词：计算机视觉 智能交通系统 车辆检测 车流量统计 Darknet OpenCV YOLOv3

Real-time vehicle detection and traffic flow statistics in video surveillances

Abstract

Since the birth of computer, computer-related technology has been changing with each passing day. At present, artificial intelligence is the latest and promising technology. Artificial intelligence is a kind of science that includes a wide range of subjects, including machine learning, big data development, computer vision and so on. The most widely used area of computer vision is the transportation system. Because of the low efficiency of traditional man-made traffic monitoring, it often fails to achieve a good monitoring effect, so the intelligent transportation system combined with computer vision technology was born.

Vehicle detection and traffic statistics studied in this paper are one of the key technologies of intelligent traffic video surveillance system. For real-time vehicle detection in surveillance scenarios, there are many research methods, such as background subtraction, time difference and optical flow. The simple method is Background-Based image subtraction. However, background image subtraction needs accurate current background image, and the method of automatic background updating and illumination change is very difficult to design and implement, which limits its application. To solve these problems, this paper proposes a YOLOv3 algorithm model based on Darknet framework. Compared with some traditional algorithm models, YOLO is a new target detection method. The Darknet framework in this algorithm can be built by inputting script commands into Ubuntu system, which can facilitate data training.

Firstly, we need to collect some sample pictures, change their names and sizes, and then label the collected pictures with labelImg software. The result will be the corresponding XML file, which contains the location information of the detection target in the image. Then the python program is written to divide the data set into training set, verification set and test set, and generate relevant TXT files. Put pictures, XML files and txt files into the Darknet framework, change the parameters of Darknet related files, make them meet the detection standards of this topic, and then enter the data training stage by inputting script commands.

After the training of YOLOv3 model is completed with Darknet framework, the image and video of the trained model are detected by OpenCV computer vision library. The map value detected is 78.79%. It can be concluded that YOLOv3 model can really achieve the desired goal.

Keywords: Computer vision; Intelligent transportation system; Vehicle detection; Traffic flow statistics; Darknet; OpenCV; YOLOv3

目 录

摘 要 I

Abstract II

第一章 绪论 1

1.1 课题研究背景和意义 1

1.2 研究现状 1

1.2.1 国内外研究现状 1

1.2.2 帧间差分法 2

1.2.3 背景减法 3

1.2.4 光流估计法 3

1.3 论文的结构安排 3

第二章 YOLO算法原理 5

2.1 YOLOv1算法原理 5

2.1.1 YOLOv1简介 5

2.1.2 处理过程 5

2.1.3 网络设计 5

2.1.4 模型训练 6

2.1.5 YOLOv1的限制 7

2.2 YOLOv2算法原理 8

2.2.1 YOLOv2简介 8

2.2.2 Anchors预测 8

2.2.3 网络结构 10

2.2.4 层级分类 11

2.3 YOLOv3算法原理 13

2.3.1 YOLOv3简介 13

2.3.2 Darknet-53特征提取网络 13

2.3.3 边界框预测 15

2.3.4 类别预测 15

2.3.5 多尺度预测 15

2.3.6 损失函数 16

2.4 本章小结 17

第三章 实时车流量统计 18

3.1 引言 18

3.2 对象检测 18

3.3 对象跟踪 21

3.4 系统设计与实现 22

3.5 本章小结 23

第四章 实验结果及其分析 24

4.1 数据采集 24

4.2 训练曲线 24

4.3 车流量统计 27

4.4 检测结果及分析 27

4.4.1 车辆检测结果 27

4.4.2 车流量统计结果 28

4.4.3 召回率-准确度曲线 29

4.5 本章小结 29

第五章 总结和展望 30

参考文献 31

致 谢 32

附 录 33

第一章 绪论

1.1 课题研究背景和意义

自从改革开放以来，我国经济不断发展，人民生活质量有了很大的提高，原本作为奢侈品的汽车也已走进千家万户^[1]。然而随着汽车的普及，交通阻塞、交通安全等问题日益凸显，对人们的生活造成了极大的影响。针对以上交通问题，传统的人力指挥交通已经不能够满足需求，于是，一种效率高于传统方式的智能交通系统孕育而生^[2]。智能交通系统利用人工智能算法来处理让人们感到棘手的交通问题，它是一种计算机视觉在交通领域的应用。

智能交通系统是各种技术的集大成者，它融合了计算机、信息以及通信等高新技术。智能交通系统不但能够高效率的处理交通许多问题，并且也使得交通事故的应急处理更加快捷^[3]。具有实时性、系统性以及信息交互的智能交通系统可以对道路车流量信息进行实时监测，根据动态车流变化，及时反馈信息，从而减轻交通堵塞程度，极大保障了人们出行安全问题^[4]。

请支付后下载全文，论文总字数：29448字