【摘要】：近年來,道路中行人車輛混合目標檢測方法,作為智能交通系統(tǒng)建設中關鍵一環(huán),受到國內(nèi)外研究學者的廣泛關注。智能交通中涉及的目標檢測任務主要表現(xiàn)為使用道路攝像設備以一定時間頻率捕獲行人、車輛等多種混合目標在當前路段的位置信息。實際道路場景下背景復雜多變,行人車輛姿態(tài)各異,目標尺度分布范圍極其廣泛,因此針對此場景中混合目標進行檢測存在很多難題。同時,現(xiàn)有的經(jīng)典目標檢測算法大多基于深度學習,但此類方法計算復雜度一般較高。因此,在道路場景中研究高效可靠的混合目標檢測算法具有極大的挑戰(zhàn)。針對以上問題,本文設計并實現(xiàn)了能夠針對真實道路場景進行混合多目標檢測,且準確率和速度較以往檢測算法有所提升的智能交通人車混合目標檢測方法。具體工作如下:1)針對真實道路場景中目標的尺度分布,優(yōu)化原始候選框尺度比例大小。這樣,在候選框經(jīng)多層網(wǎng)絡進行非線性操作時,可以更容易回歸到目標本身。2)為進一步解決混合目標多尺度分布的難題,本論文利用多個大小不同的感受野區(qū)域來適應性匹配目標的不同個尺度,從網(wǎng)絡結(jié)構上對卷積層進行拼接,從而識別尺度大小不一的多個行人車輛混合目標。3)針對混合目標檢測算法中計算復雜度高的問題,本論文使用具有強非線性表達能力的若干小卷積核層替代部分全連接層。從而既可以大量減少網(wǎng)絡連接參數(shù),又不損失網(wǎng)絡的非線性表達能力,對于速度的提升及顯存資源的消耗有極大的改善。本文以共享的卷積特征為出發(fā)點,研究感受野區(qū)域以及候選框尺度對于多尺度目標檢測的適應性問題,進而解決在真實道路場景下對混合目標的檢測問題。使用上述優(yōu)化方法,我們在道路場景中取得了不錯的效果。經(jīng)過某市高速路段的現(xiàn)場長時間測試后,相較于改進前的目標檢測算法,設備檢測準確度提升了7.79%,檢測速度提升了 10FPS,測試顯存降低了 2245M。充分證明本文所設計的針對具體路段的目標檢測方法可滿足實際應用中對準確性、穩(wěn)定性的要求。
【圖文】：

灰度圖像的過程，這一過程也是顏色空間的轉(zhuǎn)換過程。自然界中所有的顏色都可逡逑以用紅、綠、藍（ＲＧＢ）這三種顏色的不同強度組合而得。ＲＧＢ顏色空間形成一個逡逑三維的坐標軸，如圖２－１所示，灰度轉(zhuǎn)換指的是將彩色空間內(nèi)的點轉(zhuǎn)為正方體逡逑對角線上某個點的過程，正方體的原點表示黑色，對角線的頂點是白色，立方體逡逑的其他各個點則對應不同的色彩。逡逑R囧義賢跡玻卞澹遙牽卵丈占溴義希遙牽卵丈占渥晃葉韌枷竦墓餃縟綣劍ǎ玻保┧荊義希馘澹藉澹埃玻梗梗義澹澹埃擔福罰清澹澹埃保保矗洛危ǎ玻保╁義掀渲械模遙�，楷Ｂ分冰樃[袼兀冢遙牽卵丈占浜�、芦H⒗度姆至恐擔馘義鮮親緩蟮幕葉戎�。辶x希玻玻餐枷衤瞬ㄥ義顯誆杉悠檔墓討校捎詒塵案叢傭啾�、传输綑┪g嬖諼蟛�，不繗④免地辶x洗匆歡ǖ腦肷６種坪拖廡┰肷�，矄决可以讣{仆枷竦鬧柿�，还有助于辶x咸岣吣勘曇觳獾男閱�。图像滤波，紖舱a】贍鼙４嬙枷襝附諤卣韉那榭魷攏義蝦鴕種仆枷竦腦肷�，是图像预处理置{豢扇鄙俚那捌誆僮鰲Ｍǔ５穆瞬ǚ絞街饕義戲治德視蚵瞬ê涂占溆蚵瞬街

本文編號：2648823