【摘要】：現(xiàn)如今人們的生活質(zhì)量隨著我國社會經(jīng)濟(jì)的快速發(fā)展也得到了大大改善,大部分的家庭都選擇購買汽車.盡管汽車給出行帶來了一些方便,但由于車輛的增多道路也逐漸變得擁擠,交通問題也時常發(fā)生,如違章停車問題.本文主要針對日常生活中違章停車的一種違規(guī)停車的現(xiàn)象進(jìn)行研究,這里違規(guī)停車是指在街道道路上無停車位的地方亂停.論文的主要內(nèi)容如下:(1)介紹了卷積神經(jīng)網(wǎng)絡(luò)的CNN網(wǎng)絡(luò)結(jié)構(gòu)、訓(xùn)練過程.緊接著介紹了RCNN到SSD的一系列目標(biāo)檢測算法,對這些算法的結(jié)構(gòu)進(jìn)行了對比;像Faster RCNN是通過分類與回歸倆步實現(xiàn)目標(biāo)檢測,而單步式神經(jīng)網(wǎng)絡(luò)SSD是首個將不同分辨率的特征圖與先驗包圍框結(jié)合的網(wǎng)絡(luò),直接通過回歸來實現(xiàn)目標(biāo)檢測,能夠達(dá)到計算量小,適應(yīng)性強并且還能保證檢測精度.并通過實驗進(jìn)行了驗證.(2)單步式神經(jīng)網(wǎng)絡(luò)SSD算法雖然能夠保證精度和速度,但是對于小目標(biāo)的檢測能力較弱,而日常生活中違章停車的車輛有的可以直接檢測而有的因為距離拍攝攝像頭太遠(yuǎn)導(dǎo)致尺寸特別小甚至?xí)胁糠终趽鯁栴},于是對此網(wǎng)絡(luò)上做了相關(guān)改進(jìn)以方便對小目標(biāo)進(jìn)行檢測.改進(jìn)的方法是在SSD中引入轉(zhuǎn)置卷積結(jié)構(gòu),采用轉(zhuǎn)置卷積將低分辨率高語義信息特征圖與高分辨率低語義信息特征圖相融合,增加低層特征提取能力,提高了SSD算法的平均精準(zhǔn)度.(3)本文基于改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)的違章停車檢測主要由判斷目標(biāo)是否為車輛、判斷車輛是否違章停車以及最后的車牌識別這三個環(huán)節(jié)構(gòu)成.根據(jù)禁停區(qū)域像素灰度的變化來判斷是否存在運動目標(biāo),如果有利用改進(jìn)的單步式神經(jīng)網(wǎng)絡(luò)SSD算法進(jìn)行檢測目標(biāo)是否為車輛;再根據(jù)違章停車依據(jù)判定該目標(biāo)車輛是否違章;最后對檢測到的違章車輛進(jìn)行車牌識別,為使車牌檢測與識別結(jié)果更加準(zhǔn)確首先對上步得到的車牌圖像進(jìn)行一系列的圖像預(yù)處理操作,隨后利用文中介紹的一種新型的端到端訓(xùn)練的網(wǎng)絡(luò)模型RPnet對該車牌圖像進(jìn)行車牌識別,該模型已經(jīng)投入道路邊停車服務(wù),具有較高的準(zhǔn)確性和速度.通過實驗結(jié)果,本文研究的基于改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)的車輛違章停車檢測方法,給交通管理部門對實時檢測帶來了便捷,檢測準(zhǔn)確率也比較高,滿足交通部門需求切實可行.
【學(xué)位授予單位】：安徽大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP391.41;TP183;U491.7
【圖文】：

加上同一個激活函數(shù)（例如ｓｉｇｍｏｉｄ，邋ｔａｎｈ等）于每個神經(jīng)元，這樣使得網(wǎng)絡(luò)能夠擬合逡逑非線性．深層卷積網(wǎng)絡(luò)包括一個輸入層、多個卷積層和下采樣層、多個全連接和一個逡逑輸出層，是一種具有多層非線性結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)模型．如圖１所示表示深層卷積網(wǎng)逡逑絡(luò)的結(jié)構(gòu)．Ｃｌ，邋Ｃ２代表卷積層；Ｓｌ，Ｓ２代表下采樣層；最后兩層分別為全連接層和輸逡逑出層．其中，卷積神經(jīng)網(wǎng)絡(luò)的突出特點是在相鄰層yL經(jīng)元之間利用權(quán)值共享．卷積神逡逑經(jīng)網(wǎng)絡(luò)的整個訓(xùn)練過程分為前向和反向傳播．網(wǎng)絡(luò)結(jié)構(gòu)主要由卷積、下采樣以及全逡逑連接組成．逡逑（ＣＩ）逡逑ｉｎ邋魏邋ｖ。逡逑圖１卷積yL經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)逡逑２．１．１卷積層逡逑卷積層作為提取圖像特征的基礎(chǔ)

因為網(wǎng)絡(luò)層數(shù)的加深而使參數(shù)增加從而導(dǎo)致網(wǎng)絡(luò)計算復(fù)雜化，過擬合的現(xiàn)象也易出逡逑現(xiàn)．因此，在實際應(yīng)用過程中應(yīng)該適當(dāng)選取網(wǎng)絡(luò)深度、卷積核的大小、特征面數(shù)目逡逑及卷積時滑動的步長，從而能減少訓(xùn)練時間獲得一個好的訓(xùn)練模型．從圖２可以看逡逑出，卷積計算由線性操作和非線性操作這兩個步驟進(jìn)行，（１）線性操作：將Ｋ＊Ｉ＜的卷逡逑積核（也稱為濾波器）作為一組連接權(quán)值與原始輸入圖像數(shù)據(jù)進(jìn)行卷積操作，再將卷逡逑積核在圖像上以步長Ｉ移動進(jìn)行多次卷積，并對其結(jié)果進(jìn)行加權(quán)求和之后再加上偏逡逑置項（２）非線性操作［２３］：將多個輸入信號加權(quán)求和后作用于一個yL經(jīng)元，再通過逡逑激活函數(shù)／0ｒ），得到輸出特征圖１具體的計算公式如下⑴逡逑ｉｅＮｊ逡逑式子中，＊表示卷積運算，連接第１層中的第ｊ個特征圖和第１－１層中的第ｉ個特征逡逑圖的權(quán)值參數(shù)為，相應(yīng)的偏置項為％．輸入的特征圖總數(shù)為＜表示第１層逡逑的第ｊ個特征圖．先感知到圖像的點、線等一些基本的邊緣信息

圖３局部感知逡逑

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場中的神經(jīng)網(wǎng)絡(luò)拐點預(yù)測法[J];金融經(jīng)濟(jì);2017年18期

2 李青華;李翠平;張靜;陳紅;王紹卿;;深度神經(jīng)網(wǎng)絡(luò)壓縮綜述[J];計算機(jī)科學(xué);2019年09期

3 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會述評[J];國際學(xué)術(shù)動態(tài);1996年01期

4 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識別[J];通訊世界;2018年12期

5 林嘉應(yīng);鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡(luò)的船舶分類模型[J];信息技術(shù)與信息化;2019年02期

6 俞頌華;;卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用綜述[J];信息通信;2019年02期

7 韓真;凱文·哈特尼特;;為神經(jīng)網(wǎng)絡(luò)的通用理論建造基石[J];世界科學(xué);2019年04期

8 鮑偉強;陳娟;熊濤;;基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測研究[J];電工技術(shù);2019年11期

9 陳曉燕;;淺析簡單神經(jīng)網(wǎng)絡(luò)的發(fā)展及簡單模型[J];數(shù)字技術(shù)與應(yīng)用;2019年05期

10 王麗華;楊秀萍;王皓;高崢翔;;智能雙輪平衡車的設(shè)計研究[J];數(shù)字技術(shù)與應(yīng)用;2018年04期

相關(guān)會議論文 前10條

1 孫軍田;張U

本文編號：2753544