【摘要】：在計(jì)算機(jī)視覺(jué)領(lǐng)域,目標(biāo)檢測(cè)是一個(gè)非常具有挑戰(zhàn)的研究課題,車輛檢測(cè)作為目標(biāo)檢測(cè)的分支,被廣泛應(yīng)用在道路監(jiān)管、無(wú)人駕駛等領(lǐng)域。車輛檢測(cè)就是將車輛的定位和分類結(jié)合起來(lái),利用機(jī)器學(xué)習(xí)和圖像處理技術(shù),確定感興趣的目標(biāo)區(qū)域。傳統(tǒng)的車輛檢測(cè)通過(guò)方向梯度直方圖和尺度不變特征轉(zhuǎn)換進(jìn)行特征提取,并將提取的特征輸入至分類器。這種采用手工提取特征作為圖像表征的方法,難以適應(yīng)復(fù)雜場(chǎng)景的變化,泛化能力差。近年來(lái),隨著深度學(xué)習(xí)的發(fā)展,基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法逐漸成為主流,其優(yōu)勢(shì)在于可以根據(jù)數(shù)據(jù)集自動(dòng)提取特征,而且對(duì)形變、光照等變化具有一定程度的不變性。深度學(xué)習(xí)的應(yīng)用使車輛檢測(cè)的精度和速度都獲得了改善。然而,目前對(duì)于小目標(biāo)、遮擋、陰影覆蓋等場(chǎng)景下的車輛檢測(cè)仍然存在不足。本論文基于上述分析,依據(jù)實(shí)際車輛檢測(cè)的應(yīng)用場(chǎng)景,研究了基于深度卷積神經(jīng)網(wǎng)絡(luò)的車輛檢測(cè)算法,對(duì)其進(jìn)行了改進(jìn),并對(duì)數(shù)據(jù)集進(jìn)行了預(yù)處理,使檢測(cè)準(zhǔn)確率得到了提升,主要工作如下:(1)針對(duì)本論文的實(shí)際街景場(chǎng)景,為獲取最適合的目標(biāo)檢測(cè)算法,研究了目前最具代表性的基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法模型R-CNN、SSPNet、Fast R-CNN、Faster R-CNN、Mask R-CNN等,并將其性能與YOLO、SSD進(jìn)行了對(duì)比和分析,最終選擇在含有較多小目標(biāo)的實(shí)際場(chǎng)景中處理效果更好的Mask R-CNN作為本論文的車輛檢測(cè)算法模型。(2)在對(duì)Mask R-CNN算法原理研究的基礎(chǔ)上,對(duì)其結(jié)構(gòu)進(jìn)行了改進(jìn):設(shè)計(jì)特征提取的網(wǎng)絡(luò)結(jié)構(gòu),通過(guò)減少網(wǎng)絡(luò)層數(shù)提高了算法的效率:對(duì)候選窗口分類器結(jié)構(gòu)進(jìn)行設(shè)計(jì),采用雙線性插值減小了特征提取感興趣區(qū)域時(shí)的誤差,提高了車輛檢測(cè)的準(zhǔn)確率。同時(shí),對(duì)訓(xùn)練的數(shù)據(jù)集進(jìn)行預(yù)處理——直方圖均衡化和圖像銳化,使得場(chǎng)景中小目標(biāo)檢測(cè)準(zhǔn)確率得到提升。(3)本文對(duì)250000張圖片數(shù)據(jù)集采用上述方法進(jìn)行預(yù)處理后,對(duì)改進(jìn)后的算法進(jìn)行了訓(xùn)練,并進(jìn)行了實(shí)際效果測(cè)試,結(jié)合YOLO測(cè)試效果進(jìn)行了對(duì)比。測(cè)試結(jié)果表明,改進(jìn)后的Mask R-CNN在不同光照、陰影、以及不同程度、不同部位遮擋等場(chǎng)景下,取得了91.5%、90%、79.4%和78%的準(zhǔn)確率,并且在小目標(biāo)檢測(cè)上的準(zhǔn)確率大大提升,取得了78%的準(zhǔn)確率,其效果明顯優(yōu)于YOLO算法,達(dá)到了本論文的研究目標(biāo)。
【圖文】：

碩士學(xué)位論文逡逑ＭＡＳＴＥＲ邋Ｓ邋ＴＨＥＳＩＳ逡逑第二章基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法介紹逡逑卷積神經(jīng)網(wǎng)絡(luò)是專門針對(duì)圖像識(shí)別問(wèn)題設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)｜３３ｉ。它通過(guò)模仿人類識(shí)逡逑別圖像的多層過(guò)程，從而發(fā)現(xiàn)形狀邊緣和方向，再抽象判定形態(tài)（如方形）以及進(jìn)逡逑一步抽象判定（如判斷物體是盒子）。本章將對(duì)卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、幾種常用算逡逑法模型的原理和性能進(jìn)行闡述，，并選擇最適合本論文應(yīng)用場(chǎng)景的算法模型。逡逑２．１卷積神經(jīng)網(wǎng)絡(luò)概述逡逑首先介紹神經(jīng)網(wǎng)絡(luò)，單個(gè)神經(jīng)元的結(jié)構(gòu)如下圖２．１所示：逡逑

法模型的原理和性能進(jìn)行闡述，并選擇最適合本論文應(yīng)用場(chǎng)景的算法模型。逡逑２．１卷積神經(jīng)網(wǎng)絡(luò)概述逡逑首先介紹神經(jīng)網(wǎng)絡(luò)，單個(gè)神經(jīng)元的結(jié)構(gòu)如下圖２．１所示：逡逑：產(chǎn)逡逑圖２．１單個(gè)神經(jīng)網(wǎng)絡(luò)單元逡逑其對(duì)應(yīng)的公式如下：逡逑ｈｗｈ（ｘ）邋＝邋ｆ｛Ｗ＇ｘ）邋＝邋ｆａ：ＵＷ，ｘ，＋ｂ）邐（２－１）逡逑多個(gè)單元組合起來(lái)就形成了神經(jīng)網(wǎng)絡(luò)模型。下圖２．２所示為包含一個(gè)隱含層的逡逑yL經(jīng)網(wǎng)絡(luò)。逡逑ＬｍｅｒＬ邐Ｌａｙ＇ｅｒＬ＾逡逑圖２．２包含一個(gè)隱含層的神經(jīng)網(wǎng)絡(luò)逡逑其對(duì)應(yīng)的公式如（２－２），類似的，可以拓展到有多個(gè)隱含層。逡逑６逡逑
【學(xué)位授予單位】：華中師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP391.41;TP183;U495

【參考文獻(xiàn)】

相關(guān)碩士學(xué)位論文 前3條

1 姜亞?wèn)|;卷積神經(jīng)網(wǎng)絡(luò)的研究與應(yīng)用[D];電子科技大學(xué);2018年

2 衣世東;基于深度學(xué)習(xí)的圖像識(shí)別算法研究[D];戰(zhàn)略支援部隊(duì)信息工程大學(xué);2018年

3 白寶林;基于改進(jìn)的Mask R-CNN的車輛識(shí)別及檢測(cè)[D];安徽大學(xué);2018年

本文編號(hào)：2677646