【摘要】：科技的發(fā)展,帶動(dòng)中國(guó)現(xiàn)代化進(jìn)程發(fā)展日新月異,智能交通系統(tǒng)被越來(lái)越多的機(jī)構(gòu)關(guān)注。車輛目標(biāo)檢測(cè)作為智能交通的主要基礎(chǔ)環(huán)節(jié),受到越來(lái)越多研究者的關(guān)注。針對(duì)復(fù)雜的外界環(huán)境,視覺(jué)注意機(jī)制通過(guò)模擬人類視覺(jué)構(gòu)造,能夠聚焦顯著目標(biāo)區(qū)域而忽視背景信息,以便能夠優(yōu)先處理目標(biāo)信息。傳統(tǒng)基于人工特征的機(jī)器學(xué)習(xí)方法是使用較多的車輛目標(biāo)檢測(cè)方法,特征的選擇依賴人的經(jīng)驗(yàn),因此對(duì)于檢測(cè)結(jié)果的精度和穩(wěn)定性很難保證。深度學(xué)習(xí)能夠逐層抽取特征,將底層特征作為輸入,提取到不同層次的語(yǔ)義信息,在圖像分類以及目標(biāo)檢測(cè)中發(fā)揮重要作用。本文主要完成以下工作:1)圖像特征點(diǎn)匹配進(jìn)行目標(biāo)檢測(cè)應(yīng)用較為廣泛,單一尺度下圖像的特征點(diǎn)不能充分反映圖像信息,本文提出融合多尺度特征點(diǎn)的匹配算法。將圖像在不同尺度下的特征點(diǎn)進(jìn)行融合,然后再進(jìn)行特征點(diǎn)匹配。實(shí)驗(yàn)證明,融合多尺度特征點(diǎn)相比單一尺度下特征點(diǎn)匹配算法具有更高的匹配正確率。視覺(jué)注意機(jī)制算法能夠排除部分背景信息,減少無(wú)關(guān)信息的干擾;深度圖像反映位置與空間關(guān)系的相關(guān)信息,確保提取目標(biāo)區(qū)域的準(zhǔn)確性;通過(guò)視覺(jué)注意機(jī)制得到的顯著圖與深度圖像進(jìn)行融合獲取更精準(zhǔn)的顯著區(qū)域,將得到的顯著區(qū)域進(jìn)行特征點(diǎn)匹配。實(shí)驗(yàn)證明,該算法在具有較好匹配正確率的同時(shí)匹配時(shí)間也較短。2)用卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練車輛分類器,應(yīng)用反向傳播算法對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行調(diào)整;使用不同的網(wǎng)絡(luò)模型Caffe Net、VGGNet、Goo GleNet訓(xùn)練分類器,并與傳統(tǒng)的機(jī)器學(xué)習(xí)算法SVM、Adaboost以及ANN訓(xùn)練的分類器進(jìn)行對(duì)比。實(shí)驗(yàn)證明,深度學(xué)習(xí)相比傳統(tǒng)的機(jī)器學(xué)習(xí)算法具有更高的檢測(cè)率;然后采用Selective Search算法將源圖像提取候選區(qū)域,提交給訓(xùn)練好的模型應(yīng)用于車輛目標(biāo)檢測(cè)。3)復(fù)雜的背景信息對(duì)車輛檢測(cè)影響很大,首先視覺(jué)注意機(jī)制能夠把注意力集中在少數(shù)顯著區(qū)域;然后通過(guò)圖像的背景先驗(yàn)和前景先驗(yàn)信息來(lái)提取高質(zhì)量顯著性區(qū)域,同時(shí)采用車輛輪廓信息對(duì)顯著區(qū)域進(jìn)行篩選,以獲取更加精準(zhǔn)的顯著區(qū)域;最后,將提取的顯著區(qū)域提交給分類器進(jìn)行車輛目標(biāo)檢測(cè)。實(shí)驗(yàn)證明,采用視覺(jué)注意機(jī)制處理后的圖像,相比處理之前在車輛目標(biāo)檢測(cè)的速率上有很大的提升;當(dāng)外界環(huán)境發(fā)生光照強(qiáng)度、旋轉(zhuǎn)等變化時(shí)仍具有較好的魯棒性。
【學(xué)位授予單位】：西安工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：U495;TP391.41
【圖文】：

也就是傳遞過(guò)程中的傳遞函數(shù)，b 為偏執(zhí)系數(shù)。圖 2.1 神經(jīng)元結(jié)構(gòu)的模擬圖2.1.2 深度學(xué)習(xí)的基本思想深度學(xué)習(xí)是在人工神經(jīng)網(wǎng)絡(luò)的已有研究上發(fā)展起來(lái)的，深度學(xué)習(xí)通過(guò)將底層特征進(jìn)行組合的方式進(jìn)而提取到更加高層的特征，從而可以被用來(lái)進(jìn)行分類識(shí)別，深度學(xué)習(xí)其實(shí)很早就已經(jīng)被提出來(lái)，但是卻一直沒(méi)有收到重視，主要是由于以前深度學(xué)習(xí)本身存在很多缺陷：（1）深度學(xué)習(xí)的訓(xùn)練過(guò)程需要大量的數(shù)據(jù)集，并且需要為這些數(shù)據(jù)集手動(dòng)進(jìn)行便簽，這是一個(gè)龐大的工作量，對(duì)于數(shù)據(jù)集的收集也是很麻煩的。（2）當(dāng)使用的訓(xùn)練模型層數(shù)較少時(shí)，效果不是很理想，相比其他方法有事不是太明顯；當(dāng)模型層數(shù)較多時(shí)，訓(xùn)練速度太慢，時(shí)間成本高。（3）訓(xùn)練時(shí)，容易出現(xiàn)過(guò)擬合的現(xiàn)象，調(diào)參過(guò)程一般需要根據(jù)人為經(jīng)驗(yàn)來(lái)設(shè)置，沒(méi)有一個(gè)固定的模式，參數(shù)很難調(diào)到最優(yōu)。（4）計(jì)算過(guò)程容易局部收斂而不是全局收斂，這就導(dǎo)致得到的是局部最小值而不是全局的最小值。正是由于深度學(xué)習(xí)的這些缺點(diǎn)，導(dǎo)致在過(guò)去的二十多年中，一直沒(méi)能得到有效的發(fā)展。直到 Hintou 在前人的基礎(chǔ)上提出了一種新的深度學(xué)習(xí)框架，相比傳統(tǒng)的模型，該模型具有很強(qiáng)的可行性。相比于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型

圖 2.2 Itti 模型的流程圖，對(duì)粗尺度下的特征圖進(jìn)行差值，轉(zhuǎn)變?yōu)榕c細(xì)尺度同樣大點(diǎn)的減法，由于細(xì)尺度能發(fā)現(xiàn)高頻部分（也就是細(xì)節(jié)部分度發(fā)現(xiàn)的是低頻部分（圖像的輪廓部分），代表周邊區(qū)域圖像的特征顯著圖。感受野的中央像素點(diǎn)位于金字塔的CS 層，其中S C ，其中 C 2， 3. 4 ， 3 ， 4 。最后圖、12 幅顏色特征顯著圖以及 46 幅朝向特征顯著圖（1圖組、4 個(gè)朝向特征圖組）。直方圖對(duì)比度的方法，主要針對(duì)于自然景象圖像的處理。其他像素的色彩差異來(lái)分配的，而且產(chǎn)生的顯著性圖像能為：首先在 RGB 空間量化圖像；然后把圖像有 RGB 空計(jì)算出不同的像素和其他的像素點(diǎn)在 Lab 空間上的顏色距的顯著值，目的是減少量化出現(xiàn)的誤差。

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張巧榮;;利用背景先驗(yàn)的顯著性檢測(cè)算法[J];中國(guó)圖象圖形學(xué)報(bào);2016年02期

2 黃家裕;;認(rèn)知神經(jīng)的可塑性:赫布理論的哲學(xué)意蘊(yùn)[J];哲學(xué)動(dòng)態(tài);2015年09期

3 王寶鋒;齊志權(quán);馬國(guó)成;陳思忠;;一種基于雷達(dá)和機(jī)器視覺(jué)信息融合的車輛識(shí)別方法[J];汽車工程;2015年06期

4 曹家梓;宋愛(ài)國(guó);;基于馬爾科夫隨機(jī)場(chǎng)的紋理圖像分割方法研究[J];儀器儀表學(xué)報(bào);2015年04期

5 劉小明;何忠賀;;城市智能交通系統(tǒng)技術(shù)發(fā)展現(xiàn)狀及趨勢(shì)[J];自動(dòng)化博覽;2015年01期

6 許慶;高峰;徐國(guó)艷;;基于Haar特征的前車識(shí)別算法[J];汽車工程;2013年04期

7 牛文斐;汪西莉;;基于形狀先驗(yàn)和圖割的彩色圖像分割[J];計(jì)算機(jī)工程與應(yīng)用;2015年01期

8 尹春霞;徐德;李成榮;羅楊宇;;基于顯著圖的SIFT特征檢測(cè)與匹配[J];計(jì)算機(jī)工程;2012年16期

9 李穎;鄭芳;陸雪松;高智勇;;基于視覺(jué)注意模型的SIFT圖像配準(zhǔn)算法研究[J];現(xiàn)代科學(xué)儀器;2012年02期

10 孔軍;湯心溢;蔣敏;;多尺度特征提取的雙目視覺(jué)匹配[J];計(jì)算機(jī)工程與應(yīng)用;2010年33期

相關(guān)博士學(xué)位論文 前1條

1 王運(yùn)瓊;車輛識(shí)別系統(tǒng)中幾個(gè)關(guān)鍵技術(shù)的研究[D];四川大學(xué);2004年

相關(guān)碩士學(xué)位論文 前2條

1 王凱;基于圖像邊緣對(duì)比的顯著性檢測(cè)算法[D];吉林大學(xué);2017年

2 陳云彪;基于視覺(jué)注意機(jī)制的感興趣目標(biāo)檢測(cè)研究[D];廈門(mén)大學(xué);2014年

本文編號(hào)：2734591