隨著社會經(jīng)濟實力的增長,車輛普及率的提高,城市擁堵及交通事故頻發(fā)等問題日益嚴重。而車輛檢測技術能夠為道路交通控制、高速公路管理和緊急事件管理等諸多交通問題的處理提供強有力的信息支撐,因此受到了研究者的廣泛關注。在無人機影像中對車輛進行檢測,可用于指揮交通道路行車、保障行車通暢,也可以對實時路況做出反饋,進一步保障行人和駕駛?cè)藛T的交通安全。為了解決實際場景中車輛的檢測任務,本文對基于無人機影像的車輛檢測方法進行了研究,主要研究內(nèi)容包括:(1)構(gòu)建了一個用于無人機影像車輛檢測的數(shù)據(jù)集。該數(shù)據(jù)集包含城區(qū)范圍內(nèi)的所有無人機影像和所有影像中的車輛標注,包含800張影像,3320個車輛標注實例。(2)為了解決在車輛檢測中存在的誤檢和漏檢問題,本文對Faster R-CNN模型進行改進。首先選取效果更好的殘差網(wǎng)絡模型(ResNet101)代替VGG16網(wǎng)絡模型以提升卷積神經(jīng)網(wǎng)絡特征提取的深度;然后使用不同層次特征圖構(gòu)造特征金字塔(FPN)進一步提升網(wǎng)絡特征提取的廣度,有效解決了對車輛這種較小目標檢測效率低的問題;同時對檢測網(wǎng)絡中的建議區(qū)域尺度進行優(yōu)化。最后基于無人機影像車輛數(shù)據(jù)集,使用改進的Fast...

【文章頁數(shù)】：61 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 研究內(nèi)容與論文結(jié)構(gòu)
第二章 目標檢測方法概述
    2.1 傳統(tǒng)目標檢測方法
        2.1.1 基于模板匹配的方法
        2.1.2 基于特征提取分類的方法
    2.2 基于深度學習的目標檢測方法
        2.2.1 基于卷積神經(jīng)網(wǎng)絡的特征提取
        2.2.2 基于區(qū)域建議的目標檢測方法
        2.2.3 基于回歸的目標檢測方法
    2.3 目標檢測算法的評價標準及效率對比
    2.4 本章小結(jié)
第三章 改進的Fater R-CNN的無人機影像車輛檢測
    3.1 Faster R-CNN算法
        3.1.1 特征提取
        3.1.2 區(qū)域建議網(wǎng)絡
        3.1.3 圖像分類及邊框回歸
    3.2 無人機影像車輛數(shù)據(jù)集
        3.2.1 原始的無人機影像數(shù)據(jù)
        3.2.2 切分篩選
        3.2.3 車輛標注
        3.2.4 數(shù)據(jù)分批
    3.3 改進的Faster R-CNN算法
        3.3.1 使用ResNet101 提取特征
        3.3.2 使用FPN選取建議區(qū)域
        3.3.3 調(diào)整Anchor尺寸
    3.4 實驗與結(jié)果分析
        3.4.1 改進基礎網(wǎng)絡的影響
        3.4.2 改進區(qū)域建議網(wǎng)絡的影響
        3.4.3 改進anchor尺寸的影響
    3.5 本章小結(jié)
第四章 無人機影像去霧霾后的車輛檢測
    4.1 霧霾圖像退化模型
    4.2 圖像去霧霾算法
        4.2.1 基于圖像增強去霧霾算法
        4.2.2 基于物理模型復原去霧霾算法
    4.3 無人機影像去霧霾后的車輛檢測
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 研究總結(jié)
    5.2 研究展望
參考文獻
附錄A 攻讀學位期間發(fā)表的論文與科研成果清單
致謝



本文編號：3878728