發(fā)布時間：2021-02-28 11:57

　　深度學(xué)習(xí)在近些年迅速發(fā)展,車輛實時檢測更多的利用深度學(xué)習(xí)相關(guān)技術(shù)來完成實時檢測任務(wù),研究車輛實時檢測技術(shù)可以對道路前方的車輛進行檢測并作出安全預(yù)警。由于實際交通場景復(fù)雜多變且道路上的車輛具有不同的車型、顏色、亮度和遮擋等多種因素,致使傳統(tǒng)的車輛實時檢測算法無法滿足實際需求,研究各方面指標(biāo)較好的車輛實時檢測算法成為了一項具有挑戰(zhàn)性的任務(wù)。YOLO模型在克服傳統(tǒng)車輛實時檢測算法速度慢的缺點的同時,也有較好的檢測準(zhǔn)確率,為道路車輛實時檢測提供了一種新思路。因此,本課題研究基于YOLO模型的前方道路車輛實時檢測算法,主要研究內(nèi)容如下:為了有效的驗證和訓(xùn)練所設(shè)計的模型算法,自制了車輛數(shù)據(jù)集并對數(shù)據(jù)集進行擴充,采集數(shù)據(jù)集時從不同的場景下進行拍攝,主要包括的場景有:各種天氣情況、光線明暗不同的情況、有無目標(biāo)遮擋的情況以及車輛與采集設(shè)備遠近不同的情況等。針對當(dāng)前車輛實時檢測算法在檢測幀速率方面難以達到要求的問題,對YOLO模型的框架結(jié)構(gòu)進行深入研究,在YOLO v3模型中加入Darknet-53分類網(wǎng)絡(luò),可以對提取到的特征進行更快速更準(zhǔn)確的分類,針對車輛目標(biāo)行駛速度較快且目標(biāo)背景復(fù)雜的情況,重新設(shè)置網(wǎng)... 

【文章來源】：河南工業(yè)大學(xué)河南省

【文章頁數(shù)】：83 頁

【學(xué)位級別】：碩士

【部分圖文】：

城市交通狀況

2圖2車輛實時檢測實現(xiàn)車輛檢測可以采用多種方法，目前比較常用的方法有兩種，分別是基于硬件進行車輛檢測和基于圖像進行車輛檢測[6]�；谟布M行車輛檢測主要以硬件系統(tǒng)來進行道路環(huán)境的感知，不管是超聲波、紅外線，還是微波，利用這些類型的傳感器在進行車輛檢測的時候，先向周圍車輛發(fā)射一個信號，再對反射回來的信號進行分析，從而對道路上車輛的情況進行一定的了解�；趫D像進行車輛檢測主要利用車載攝像頭來獲取車輛的信息，然后將獲取的信息傳送給中央處理器，從而計算出最佳的行駛路線[7]�；谟布M行車輛檢測的方案比基于圖像進行車輛檢測的方案的檢測效果要好，但是在實際生活中，我們較多的選擇基于圖像進行車輛檢測的方案，因為這不僅可以減少車輛生產(chǎn)的成本，而且可以方便的更新檢測系統(tǒng)。各國相關(guān)專家在基于圖像進行車輛檢測方面進行了大量研究，希望取得突破性進展。深度學(xué)習(xí)技術(shù)的革新使得車輛檢測技術(shù)得以迅速發(fā)展，YOLO模型作為一種基于深度學(xué)習(xí)技術(shù)的模型，其在檢測速度方面完勝FastRCNN、FasterRCNN和SSD模型，所以本課題對YOLO模型進行深入研究，其研究的意義主要包括以下幾個方面：(1)通過對網(wǎng)絡(luò)結(jié)構(gòu)進行改進來提高車輛檢測的實時性；(2)通過對Anchorbox參數(shù)進行優(yōu)化來提高檢測的準(zhǔn)確率；(3)通過對模型訓(xùn)練過程進行優(yōu)化來適應(yīng)復(fù)雜場景下的車輛檢測，從而使車輛檢測技術(shù)得到發(fā)展，并且運用于實際道路車輛檢測中。

8保證車輛檢測的魯棒性提出了很大的挑戰(zhàn)。在特征提取階段常用HOG、SIFT等算法[48]。車輛檢測最終都離不開分類的過程，分類器進行分類是車輛檢測的最后一個步驟，我們常用Adaboost、SVM等分類器進行分類的過程[49]，分類的過程是對特征提取階段提取到的信息進行分類，主要是對滑動窗口中的目標(biāo)車輛進行分類。2.1.2基于幀間差分的車輛檢測幀間差分法[50]可以用來檢測車輛，對相鄰兩幀或三幀圖像差分后按照一定的規(guī)則進行閾值化處理，得到的是車輛目標(biāo)邊緣的閾值化圖像，接下來進行形態(tài)學(xué)處理、連通域分析和區(qū)域分割這些后期處理從而把圖像中的運動車輛提取出來。幀間差分法的具體流程如圖4所示。圖4幀間差分法處理流程圖對于視頻信息來說，我們將其處理為一幀一幀的圖像，其中任意相鄰兩幀圖像分別


本文編號：3055821