【摘要】：隨著國民經濟的快速發(fā)展,汽車保有量持續(xù)增加,社會所面臨的交通監(jiān)管壓力日益增大,一系列城市交通問題隨之而來,對國家和個人造成了不同程度的人力、物力、財力資源的損失。近幾年,隨著人工智能和大數據技術的興起,為及時緩解和解決城市交通問題以及因其所造成的負面影響,我國提出大力推進交通監(jiān)管建設的智能化,針對問題對智能交通系統提出了新的需求,對研究人員提出了新的挑戰(zhàn)。車輛檢測是其中的關鍵技術之一,也是部分其它重要技術的基礎,如車流量統計、車輛跟蹤、車間測距等。在現實應用場景中,車輛檢測需要對圖像或者視頻幀中出現的車輛進行實時檢測,并獲得車輛的精確位置。所以,研究一種性能較好的車輛檢測算法具有一定的重要性及意義。傳統的車輛檢測算法主要分為基于建模的前后景分離和基于機器學習的手工特征提取,前者如幀間差分法、光流法、背景差分法等,后者如HOG(Histogram of Oriented Gradients)手工特征提取、DPM(Deformable Parts Model)算法等,這兩類方法往往因為實現過程過于復雜或易受復雜外在因素的影響而導致檢測結果不能滿足真實場景的需求。目前,基于深度學習的檢測技術發(fā)展迅速,是機器學習的研究熱點,在眾多場景均取得了不錯的成果。本論文重點研究基于深度學習的目標檢測算法,并對其分析,選定了在檢測精度和速度方面均性能較好的SSD(Single Shot Multibox Detector)模型作為基礎模型,提出了一種基于上下文和空間注意力的改進模型,并以該模型實現車輛檢測。本文的主要工作內容和創(chuàng)新點如下:1、針對SSD模型中使用淺層網絡的特征信息預測目標對象時會缺乏深層語義特征信息這一問題,本文受DSSD(Deconvolutional Single Shot Detector)模型中采用上下文信息融合的啟發(fā)設計了連接模塊,并通過實驗,提出在SSD的兩個特定卷積層conv4_3和con5_3之間進行上下文融合,通過上下文信息融合,使得SSD模型進行預測時能夠彌補淺層特征信息的表達能力,從而提升模型的檢測精度。實驗結果表明,引入上下文后的模型在數據集VOC 2007和VOC 2012上的性能表現更好,檢測精確度提升1.5%。2、針對不同車輛檢測數據圖像可能會發(fā)生形變以及卷積神經網絡池化層中損失一定的位置特征信息這一問題,本文在SSD模型加入上下文信息融合的基礎上引入空間變換網絡,通過使用其定位網絡對SSD模型訓練過程中已進行數據增強的數據生成變換參數,進一步增強空間不變性,降低數據形變所來的偏差,并通過實驗與三種算法進行車輛檢測的性能對比,結果表明,改進模型的性能仍有所提升。
【學位授予單位】：湘潭大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP391.41;U495
【圖文】：

運算的前向神經網絡，是推進深度學習領域快速發(fā)展的代表算法之一，目前已被有效地應用在圖像識別和分類等領域。在圖像識別和分類領域其重要的本質是進行特征提取，而車輛檢測的關鍵步驟之一是特征提取，所以卷積神經網絡的出現為特征提取提供了有效的解決方式。1990 年 LeCun 等人提出經典卷積神經網絡LeNet-5 并將其應用于手寫字符分類，推動了深度學習的發(fā)展，之后研究人員陸續(xù)提出了多種經典網絡模型如 AlexNet[16]、ZFNet[33]、GoogLeNet[34]、VGG-Net[35]等。CNN 的基本模塊包括：卷積層、池化層和全連接層。卷積層的作用主要是利用權重共享進行特征提取，具體地，對于二維圖像來說，卷積運算提取特征的本質是用一系列含不同權重的卷積核與待提取的數據進行卷積運算輸出多張局部特征圖；池化層的作用主要是進行特征壓縮，提取主要特征，減少參數以簡化網絡訓練計算復雜度，并且能夠在一定程度上防止出現過擬合，常用的池化方法有隨機池化、最大值池化及均值池化等；全連接層的作用主要是對輸出特征向量進行分類。下面簡要介紹經典的 LeNet-5。

圖 2.3 四種常用的激活函數如圖 2.3 所示，對于 Sigmoid 激活函數，其公式分別如下：( )1=1+exf x 式（2-2）在早期的神經網絡中，Sigmoid 是使用范圍很廣的一類激活函數，其具備指數函數的幾何形狀，并且函數連續(xù)、光滑、嚴格單調，以坐標點( 0,0.5 )中心對稱，是一個較好的非線性閾值函數，用它作激活函數優(yōu)勢明顯，但是不足之處在于其屬于飽和激活函數，在深度神經網絡中容易出現梯度消失的情況，即利用反向傳播學習網絡時梯度會逐層衰減直至梯度趨近于 0，最終使得網絡難以訓練。對于 Tanh 激活函數，其公式如下：tanh( )x xx xe exe e =+式（2-3）Tanh 也是一種常見的激活函數，與 Sigmoid 相比，其優(yōu)點在于輸出均值為

為了找到該車輛的最佳邊界框，需要利用非極大值抑制算法獲得最終檢測結果。假設待檢測圖像中存在 M 輛車，則第 i 輛車對應的邊界框的數量記為( 0)iN ≤ i ≤ M，具體的算法步驟描述如下：1、將第i輛車對應的iN 個候選邊界框按置信度進行排序，記置信度最高的邊界框為 m；2、取iN 中除 m 外的所有邊界框分別與 m 進行 IOU 交并比計算；3、上述計算結果中若 IOU 高于設定閾值，則認為此框與 m 重疊，予以刪除；4、返回第一步，對下一輛車進行同樣的處理；5、循環(huán)至 M 輛車均處理完畢；6、最后剩下的邊界框即為最終的檢測結果。其中，設定合適的 IOU 閾值非常重要，閾值設定過低會導致目標的漏檢，閾值設定過高會對同一車輛產生多個檢測邊界框。非極大值抑制算法的分步示意圖如圖 2.5 所示：

【相似文獻】

相關期刊論文 前10條

1 孫志陽;;淺析智能交通中的車輛檢測技術及發(fā)展[J];居舍;2017年32期

2 張輝;;基于HOG-GentleBoost的車輛檢測方法[J];計算機時代;2018年06期

3 Wikipedia;錢仲興;;世界各國的車輛檢測[J];汽車與安全;2012年12期

4 田曉霞;王家碩;王會樸;;有限狀態(tài)機在夜間車輛檢測上的應用[J];石家莊鐵道大學學報(自然科學版);2016年04期

5 蔡英鳳;劉澤;孫曉強;陳龍;王海;;基于雙車輛可變形部件模型的車輛檢測方法[J];汽車工程;2017年06期

6 劉東偉;;基于雙車輛可變形部件模型的車輛檢測方法研究[J];南方農機;2017年20期

7 曹曉娟;;智能交通系統中車輛檢測方法的研究[J];信息化建設;2015年12期

8 許柏平;周舟平;;手機在車輛檢測中的應用[J];汽車維護與修理;2013年05期

9 王建強;王履程;;基于機器視覺的隧道車輛檢測系統設計與實現[J];自動化與儀器儀表;2015年09期

10 董茜;游宇;;重慶機動車強檢“第一現場”[J];今日重慶;2017年06期

相關會議論文 前10條

1 孟超超;鮑泓;;車輛檢測研究綜述[A];中國計算機用戶協會網絡應用分會2018年第二十二屆網絡新技術與應用年會論文集[C];2018年

2 王忠耀;任青春;王少華;郭春生;;基于紅外視頻的車載行人車輛檢測系統[A];浙江省電子學會2013學術年會論文集[C];2013年

3 李舜酩;繆小冬;;視覺車輛檢測方法的研究進展及展望[A];2009全國虛擬儀器大會論文集（二）[C];2009年

4 李鵬飛;趙璽;劉兵;鄒永鋒;;復雜路況的移動車輛檢測與跟蹤方法[A];2018中國汽車工程學會年會論文集[C];2018年

5 吳園;黎寧;劉苗苗;;一種基于快速水平集方法的運動車輛檢測[A];第十三屆全國圖象圖形學學術會議論文集[C];2006年

6 鄒月嫻;王一言;關佩;楊華;陳維榮;;復雜視頻背景中的運動車輛檢測技術[A];第四屆和諧人機環(huán)境聯合學術會議論文集[C];2008年

7 吳嶸;何培宇;徐自勵;段文鋒;劉珂含;;一種去背景的車輛檢測與跟蹤快速算法[A];第十三屆全國信號處理學術年會（CCSP-2007）論文集[C];2007年

8 張有節(jié);蔡曉禹;彭博;李少博;;基于無人機視頻的車輛檢測與評價指標研究[A];2017年中國城市交通規(guī)劃年會論文集[C];2017年

9 高文寶;沙海云;周欣榮;柴干;;高速公路車輛檢測技術組合應用研究[A];第一屆中國智能交通年會論文集[C];2005年

10 魏東;劉毅;錢俊彥;;桂林機動車遠程審驗系統[A];廣西計算機學會2012年學術年會論文集[C];2012年

相關重要報紙文章 前10條

1 重慶商報-上游新聞記者 嚴薇;全國首個國家質檢基地初具規(guī)模 “超級”一體化車輛檢測基地將投用[N];重慶商報;2019年

2 記者 肖劍雄;大小車輛檢測費均降20元[N];東莞日報;2017年

3 記者 幸笑薇;市人大代表開展“最多跑一次”調研[N];舟山日報;2017年

4 練洪洋;車輛檢測 興利除弊方能有效可靠[N];廣州日報;2015年

5 張奇 李小潔;車輛檢測，為何招來怨聲一片[N];檢察日報;2002年

6 記者 楊耀青;車輛檢測更加公正透明[N];西安日報;2011年

7 鄭利平;湖州車輛檢測科研項目通過鑒定[N];中國交通報;2004年

8 蘇菲;防控疫情，你當自律![N];黑龍江日報;2020年

9 記者 郭亮廷;認真安排部署 保障春節(jié)安全[N];郴州日報;2019年

10 通訊員 李金華;銅川政協 提案破解車輛檢測難[N];各界導報;2015年

相關博士學位論文 前10條

1 羅志明;基于卷積神經網絡的交通密度估計及車輛檢測方法研究[D];廈門大學;2017年

2 蔡磊;部件檢測方法及其在車輛目標檢測中的應用[D];西北工業(yè)大學;2017年

3 顏卓;基于深層卷積神經網絡的車輛檢測及屬性分析方法研究[D];中國科學院大學(中國科學院重慶綠色智能技術研究院);2018年

4 宋俊芳;基于圖像逆投影3D重建的車輛檢測關鍵技術研究[D];長安大學;2018年

5 張偉;基于視覺的運動車輛檢測與跟蹤[D];上海交通大學;2007年

6 王曾敏;小波圖像融合算法及其在視頻車輛檢測系統中的應用研究[D];天津大學;2009年

7 諶彤童;基于三維激光雷達的動態(tài)車輛檢測與跟蹤[D];國防科學技術大學;2016年

8 徐琨;交通視頻監(jiān)控中的車輛檢測與跟蹤方法研究[D];長安大學;2009年

9 許潔瓊;基于視頻圖像處理的車輛檢測與跟蹤方法研究[D];中國海洋大學;2012年

10 嚴捷豐;交通視頻監(jiān)控中的車輛檢測與分割方法研究[D];中國科學技術大學;2008年

相關碩士學位論文 前10條

1 彭Ya明;基于上下文和空間注意力的SSD車輛檢測研究[D];湘潭大學;2019年

2 王明亮;基于圖像和激光雷達融合的車輛檢測研究[D];重慶郵電大學;2019年

3 李X;面向輔助駕駛的全天候燈語識別技術研究[D];南京航空航天大學;2019年

4 陶曉力;基于深度特征的航拍車輛檢測[D];南京航空航天大學;2019年

5 許匡正;基于異構計算的車輛檢測與跟蹤研究[D];西安電子科技大學;2019年

6 程文雄;基于多尺度并行網絡的抗遮擋車輛檢測[D];西安電子科技大學;2019年

7 顧夫挺;基于多傳感器的車輛檢測方法及其可靠性分析[D];浙江工業(yè)大學;2019年

8 宋姚燁;復雜交通環(huán)境下的車輛檢測算法研究[D];江蘇大學;2019年

9 李鳳;基于電感式磁傳感器的停車位車輛檢測系統設計與實現[D];華中師范大學;2019年

10 黃皓宇;基于Mask R-CNN的街景車輛目標的檢測方法研究與應用[D];華中師范大學;2019年

本文編號：2786769