基于注意力机制的运动车辆检测方法

作者:未知

  摘要:由于视觉注意力机制模仿了人类视觉系统的视觉原理,因此引入计算机视觉注意力机制方法来测试车辆信息是一项被广泛关注的任务。在基于视频广播确定交通信息时,目标标识是一般交通信息的基础。而从交通现场视频中提取目标对于后续的跟踪、分类和数据分析等任务具有十分有效的帮助,从而可以降低算法的复杂性并提高其效率。该文主要着眼于识别道路上的车辆,基于视觉注意力模型,提出了一种基于注意力机制的车辆兴趣区提取系统。通过实验,将该算法与背景差分法的结果进行了比较。
  关键词:视觉注意力;车辆检测;识别;背景差分法
  中图分类号:TP18 文献标识码:A
  文章编号:1009-3044(2020)13-0013-02
  1引言
  机动车检测模块是智能交通系统中起到承上启下作用的核心功能模块,设计一个具备实时性、泛化能力强、识别准确率高的检测与属性识别解决方案具有实际应用价值。近几年计算机视觉技术在深度学习理论的促进下取得了巨大进步,注意力(Attention)机制的研究则在深度神经网络中取得了很大的成功和广泛的应用,有不少研究证明,引入注意力机制能够很好地改善现有神经网络模型的性能。本文拟对智能交通系统中的机动车检测问题展开研究,同时从数据收集与算法设计两个方面人手,拟引入注意力机制模块,提高检测效率。
  2基于视觉注意机制的车辆感兴趣区域提取
  本文提出了一种视觉注意模型,该方法具有较为显著的有效性。静态元素与低纬度特征提取组合出运动特征图以捕捉运动中的车辆目标。确切的算法如下:
  1)从视觉焦点格式中提取输入到视频中的每个视频帧的四个亮度、颜色和方向,并组合相同类型的特征图和不同的比例的特征图,获取最后一个静态元素的贴图类型;
  2)通过多帧归一化方法提取和更新背景,从背景差方法中提取运动特征,得到二值映射图M的运动特征;
  3)静态特征图通过最大类方差法进行双峰化得到二值图像,静态特征图与S特征图集成在一起,以获取感兴趣的最新图片;
  4)对最后关注的对象执行物理操作,以检索车辆中的关注区域。
  图1显示了基于注意力机制的行驶中车辆的关注区域的过程。
  3动态特征和静态特征的提取与融合
  3.1动态背景的提取与更新
  环境的变化通常会导致视频图像背景的变化。如果我们继续提取运动特征而不更新背景,则将极大地影响提取运动对象的准确性。因此,必须提取并更新动态背景,否则会影响以后的发现。本文使用多元平均方法。
  多幀平均是创建和更新背景的常用方法。该方法首先获取视频帧的平均帧,然后计算视频帧的平均值,然后获取平均背景图像。此方法在公式(1)中给出:
  Benson过程中对比度的选择直接决定了微米发射的效果,所传输视频帧的背景像素的灰度值不固定,并且图像分割所需的调节方法是必需的。
  本文使用最大变化方法。OTSU提出了最大的类间差异方法。该方法使用基于最大灰度图像的灰度直方图类间距离标准确定波段分类级别,检测最大变化值,并将图像分为背景和目标。计算公式如下:
  T阈值将图像分为两部分A和B,σ2代表两个类之间的最大变化,B分别整个图片的平均灰度。由此可知,采用两种类型方差σ2σ2(T)最大值的T是最佳阈值。
  3.4二值形态学处理
  原图的静态二项式特征和二项式图的运动特征的二值处理,获得最终图像,并提取感兴趣区域,影响很大,所以我对它附带的图像处理非常感兴趣。
  其中B(x)是结构元素,x是图像空间E中的一个点。
  静态操作可能是两个独立的对象执行,并且单独图像中的两个载具很小。扩展操作的复制品是加宽前景对象的边界点并填充前景对象中的孔并填充感兴趣的图像。
  3.5实验结果对比与分析
  经过大量测试,本文对视频中的行驶中的车辆进行了检测,检测精度达到94.5%,具有良好的检测效果。如表l所示,大多数商用视频车辆检测系统现在已广泛应用于生活中。该算法的检测精度与商用视频车辆检测系统的检测精度相当。
  4总结
  本文分析了基于视觉注意机制的车辆检测算法,提出了一种基于视觉注意机制的一种基于原始车辆检测算法提取运动特征的区域提取方法。视觉焦点模型用于选择要素、定向光色。通过结合静态特征盐度图和动态特征图,通过原始车辆检测算法获得的目标图像具有更完整的前景目标,增强了空腔、裂缝和声音现象,并在捕获目标图像轮廓的同时捕获了计算图像。运动车辆的轮廓最终能够在视频图像中检测和识别运动车辆。
转载注明来源:https://www.xzbu.com/8/view-15267172.htm

服务推荐