【摘要】：車輛檢測(cè)是智能交通系統(tǒng)中的基礎(chǔ)組成部分,解決復(fù)雜環(huán)境下的車輛檢測(cè)問(wèn)題有利于提升整個(gè)智能交通系統(tǒng)的魯棒性。傳統(tǒng)的根據(jù)人工規(guī)則提取特征的車輛檢測(cè)方法在復(fù)雜環(huán)境中易受光照、遮擋和形變等因素的影響,泛化能力較差。而區(qū)域卷積神經(jīng)網(wǎng)絡(luò)及其擴(kuò)展模型在目標(biāo)檢測(cè)任務(wù)中具有良好的性能。因此,采用區(qū)域卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行車輛檢測(cè)具有重要意義。本文的主要研究?jī)?nèi)容如下:1.分析了目前應(yīng)用廣泛的基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法,重點(diǎn)研究了基于區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的Faster R-CNN模型以及該模型在車輛檢測(cè)中的應(yīng)用。2.針對(duì)FasterR-CNN模型在車輛檢測(cè)應(yīng)用中存在的兩個(gè)問(wèn)題:(1)圖像中目標(biāo)大小不一,小尺寸車輛漏檢嚴(yán)重;(2)負(fù)樣本空間大導(dǎo)致模型判別能力低下。本文對(duì)Faster R-CNN模型進(jìn)行了改進(jìn),首先修改錨框尺寸,在特征提取階段引入多層特征融合策略;其次利用多尺度圖像對(duì)Faster R-CNN模型進(jìn)行訓(xùn)練;最后挖掘難負(fù)樣本,將難負(fù)樣本加入到訓(xùn)練集中,對(duì)模型進(jìn)行二次訓(xùn)練。3.借助KITTI數(shù)據(jù)集以及實(shí)際環(huán)境中采集的數(shù)據(jù)集來(lái)驗(yàn)證改進(jìn)的Faster R-CNN模型的有效性,并分析了不同錨框尺寸、特征融合層數(shù)、訓(xùn)練圖像尺度以及難負(fù)樣本挖掘策略對(duì)改進(jìn)的Faster R-CNN模型檢測(cè)性能的影響。實(shí)驗(yàn)結(jié)果表明:(1)基于改進(jìn)的Faster R-CNN模型的車輛檢測(cè)方法具有較高的準(zhǔn)確率和較快的檢測(cè)速度;(2)重新設(shè)定的錨框尺寸、多層特征融合策略和多尺度訓(xùn)練增加了模型對(duì)于小尺寸車輛的檢測(cè)能力;(3)難負(fù)樣本挖掘策略能夠消除負(fù)樣本空間大帶來(lái)的模型判別能力低下的問(wèn)題。
【學(xué)位授予單位】：西安理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：U495;U463.6;TP183
【圖文】：

（１）大的類內(nèi)表現(xiàn)差異：針對(duì)同類車輛實(shí)例而言，通常因?yàn)楣庹諚l件、拍攝角距離的不同、拍攝設(shè)備的抖動(dòng)或者鏡頭自身的缺陷以及其他物體的部分遮擋使得的表現(xiàn)特征產(chǎn)生很大的變化，比如遠(yuǎn)近車輛大小不一等，進(jìn)而嚴(yán)重影響最終的檢如圖１－１所示。逡逑圖ｉ－ｉ大的類內(nèi)表現(xiàn)差異逡逑Ｆｉｇ．邋１－１邋Ｌａｒｇｅ邋ｄｉｆｆｅｒｅｎｃｅ邋ｏｆ邋ｐｅｒｆｏｒｍａｎｃｅ邋ｉｎ邋ｉｎｔｒａ－ｃｌａｓｓ逡逑（２）小的類間表現(xiàn)差異：不同類的車輛實(shí)例具有一定的相似性，比如公交車和日常生活中也有很多類似車輛的物體，比如貨車與收費(fèi)站臺(tái)，這些情況都容易如圖１－２所示。逡逑

逑（３）背景環(huán)境的干擾：當(dāng)車輛所處的環(huán)境較為復(fù)雜時(shí)，比如暴雨、風(fēng)沙或者霧霾等逡逑情況，復(fù)雜的背景使得圖像中的車輛變得不夠突出，定位比較困難，如圖１－３所示。逡逑圖１－３復(fù)雜背景環(huán)境的干擾逡逑Ｆｉｇ．邋１邋－３邋Ｔｈｅ邋ｉｎｔｅｒｆｅｒｅｎｃｅ邋ｏｆ邋ｃｏｍｐｌｅｘ邋ｂａｃｋｇｒｏｕｎｄ邋ｅｎｖｉｒｏｎｍｅｎｔ逡逑１．２．２深度學(xué)習(xí)研究現(xiàn)狀逡逑２００６年，多倫多大學(xué)教授Ｈｉｎｔｏｎ在《Ｓｃｉｅｎｃｅ》上發(fā)表的文章ｔ４°］證明了深度神經(jīng)網(wǎng)逡逑絡(luò)應(yīng)用于圖像處理等方面的可行性，進(jìn)而引起了學(xué)者們對(duì)深度學(xué)習(xí)的廣泛研宄。深度學(xué)習(xí)逡逑的本質(zhì)是特征提取，其基本思想是通過(guò)數(shù)據(jù)驅(qū)動(dòng)的方式，使用非線性變換提取能夠表達(dá)現(xiàn)逡逑實(shí)對(duì)象或者數(shù)據(jù)的特征，使得機(jī)器可以像人類一樣具備分析學(xué)習(xí)的能力［４］。逡逑近年來(lái)，深度學(xué)習(xí)在圖像分類、語(yǔ)音識(shí)別和自然語(yǔ)言處理等領(lǐng)域取得了比較優(yōu)異的成逡逑績(jī)。２０１２年，《Ｔｈｅ邋Ｎｅｗ邋Ｙｏｒｋ邋Ｔｉｍｅｓ》介紹了谷歌大腦項(xiàng)目，這個(gè)項(xiàng)目在含有１６０００逡逑個(gè)ＣＰＵ核的計(jì)算平臺(tái)上利用無(wú)監(jiān)督的方式對(duì)多層神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使得模型形成對(duì)貓逡逑的記憶

從圖２－２可以看出，卷積計(jì)算主要分為兩個(gè)步驟，第一步是線性操作：通過(guò)將原始像數(shù)據(jù)或者其他低層特征圖和一組連接權(quán)值（Ａｘ々的卷積核，也稱為濾波器）進(jìn)操作，然后卷積核以步長(zhǎng)／在圖像上移動(dòng)進(jìn)行多次卷積，將多次卷積結(jié)果求和之后匕相加；第二步是非線性操作：通過(guò)激活函數(shù)／（ｘ），得到輸出特征圖‘。實(shí)際上將多個(gè)輸入信號(hào)加權(quán)求和作用于一個(gè)神經(jīng)元，然后激活輸出的過(guò)程。數(shù)學(xué)計(jì)算公式．１）所示：逡逑／邐Ａ逡逑４＝／邋（２．１ＫｉｅＮＪ邐）逡逑，＜表示第／層的第個(gè)特征圖；況，表示輸入的特征圖總數(shù)，＊表示卷積運(yùn)算，＜／層中的第＿／個(gè)特征圖和第／－１層中的第／個(gè)特征圖之間的連接權(quán)值參數(shù)，ｇ表示相置。逡逑卷積核在訓(xùn)練之后可以當(dāng)作是一個(gè)特征提取器，不同的卷積核則會(huì)提取圖像中不同特征。因此可以通過(guò)增加卷積核的數(shù)量來(lái)對(duì)圖像中的同一個(gè)位置提取不同的特征，到不同的特征圖，然后將不同的特征圖進(jìn)行組合作為卷積層的輸出。這個(gè)過(guò)程與動(dòng)處理圖像的過(guò)程相類似，首先感知到圖像的一連串基本的邊緣信息（點(diǎn)、線等），

【參考文獻(xiàn)】

相關(guān)期刊論文 前4條

1 余凱;賈磊;陳雨強(qiáng);徐偉;;深度學(xué)習(xí)的昨天、今天和明天[J];計(jì)算機(jī)研究與發(fā)展;2013年09期

2 張全發(fā);蒲寶明;李天然;孫宏國(guó);;基于HOG特征和機(jī)器學(xué)習(xí)的工程車輛檢測(cè)[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2013年07期

3 施樹(shù)明,儲(chǔ)江偉,李斌,郭烈,王榮本;基于單目視覺(jué)的前方車輛探測(cè)方法[J];農(nóng)業(yè)機(jī)械學(xué)報(bào);2004年04期

4 吳s

本文編號(hào)：2766803