【摘要】：通過監(jiān)控視頻圖像檢測隧道目標(biāo)可以實(shí)時(shí)的分析交通狀況,減少安全事故,在保障隧道交通安全方面具有重大的意義。隧道目標(biāo)檢測算法的主要目的是對(duì)目標(biāo)進(jìn)行精準(zhǔn)的定位和分類。目前大多數(shù)的隧道目標(biāo)檢測算法是利用背景差分法對(duì)目標(biāo)進(jìn)行定位,利用人工特征加機(jī)器學(xué)習(xí)的分類算法對(duì)所定位的目標(biāo)進(jìn)行分類。基于機(jī)器學(xué)習(xí)的圖像分類算法高度依賴于所選取的圖像特征,對(duì)單一類別的分類具有較好的效果,但是難以處理多分類的任務(wù)�；诰矸e神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)的目標(biāo)檢測算法發(fā)展迅速,且擅長處理圖像多分類任務(wù),但是將算法應(yīng)用于隧道場景存在很多困難。如果先提取候選區(qū)域后利用CNN對(duì)候選區(qū)域進(jìn)行分類,則大量的特征提取操作會(huì)增加算法的時(shí)間復(fù)雜度,不能滿足隧道目標(biāo)檢測的實(shí)時(shí)性要求。如果先提取圖像特征后劃分候選區(qū)域,則對(duì)整幅圖像的特征提取過程會(huì)丟失候選區(qū)域的大量底層圖像信息,減少對(duì)低分辨率目標(biāo)和遠(yuǎn)景小目標(biāo)的檢測精度。針對(duì)上述問題,本文提出了一種基于背景差分法和CNN的隧道目標(biāo)檢測算法,算法的基本思想是先利用背景差分法提取候選區(qū)域確定目標(biāo)位置,然后通過CNN模型對(duì)候選區(qū)域進(jìn)行分類,確定目標(biāo)類別并去除冗余窗口。在隧道環(huán)境條件下算法表現(xiàn)出了良好的性能。本文的主要研究內(nèi)容分為三部分。第一部分利用顏色差異化函數(shù)對(duì)ViBe的前景目標(biāo)分割階段進(jìn)行了改進(jìn),提出了C-ViBe算法。對(duì)C-ViBe算法的前景目標(biāo)分割結(jié)果進(jìn)行了優(yōu)化,記錄了目標(biāo)位置作為候選窗口。第二部分首先討論了CNN的性能問題,從理論上說明了CNN的層數(shù)與網(wǎng)絡(luò)性能的關(guān)系。然后基于淺層CNN提出了ReLU-S激活函數(shù)并對(duì)權(quán)重初始化策略進(jìn)行了優(yōu)化。最后提出了一個(gè)三重特征融合的深度殘差網(wǎng)絡(luò)ResNet34-mix,通過與其它網(wǎng)絡(luò)的對(duì)比實(shí)驗(yàn)表明了ResNet34-mix的精度高,速度快的特性,具有實(shí)際應(yīng)用的意義。第三部分提出了基于背景差分法與CNN的隧道目標(biāo)檢測算法,實(shí)驗(yàn)表明在隧道環(huán)境條件下基于背景差分法與CNN的目標(biāo)檢測算法比傳統(tǒng)的目標(biāo)檢測算法和基于深度學(xué)習(xí)的目標(biāo)檢測算法具有更高的精度,和更快的速度。
【學(xué)位授予單位】：武漢理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TP391.41;TP183;U453.7
【圖文】：

幀差法是把上一幀的圖像看作背景模型，與當(dāng)前幀圖像進(jìn)行對(duì)比檢測目標(biāo)種方法省略了建模的過程，因此速度很快，但是雙影和空洞很明顯檢測效[31]。背景差分法的核心思想是構(gòu)建背景模型，利用背景模型分割前景目標(biāo)景建模方法的廣泛性和可擴(kuò)展性使背景模型具有很好的可塑性和健壯性，背景差分法可以有效的應(yīng)對(duì)復(fù)雜場景的變化。圖 2-2 是背景差分法的基本步

元只與部分區(qū)域的神經(jīng)元相連接，這個(gè)圖像區(qū)域就受野做加權(quán)和運(yùn)算的矩陣就是卷積核。權(quán)重組成的矩陣，利用權(quán)重矩陣和圖像的區(qū)域矩陣CNN 的卷積操作。在 CNN 中卷積層和卷積層間往征圖的情況，多通道特征圖的卷積操作如圖 2-4 所

圖 2- 5 最大值池化輸入層，卷積層，池化層和輸出層再加上需要對(duì)特征圖進(jìn)行一維拉伸的全連接層和包含激活函數(shù)的激活層組成了 CNN 的基本結(jié)構(gòu)。圖 2-6 所示是 LeNet-5進(jìn)行手寫數(shù)字識(shí)別時(shí)的 CNN 結(jié)構(gòu)：

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 舒朗;郭春生;;基于回歸與深度強(qiáng)化學(xué)習(xí)的目標(biāo)檢測算法[J];軟件導(dǎo)刊;2018年12期

2 王鈐;張穗華;雷絲雨;鄧博文;;一種基于數(shù)據(jù)聚類的目標(biāo)檢測算法[J];機(jī)電產(chǎn)品開發(fā)與創(chuàng)新;2016年06期

3 孫林;鮑金河;劉一超;;高光譜圖像目標(biāo)檢測算法分析[J];測繪科學(xué);2012年01期

4 張桂林，熊艷，曹偉，李強(qiáng);一種評(píng)價(jià)自動(dòng)目標(biāo)檢測算法性能的方法[J];華中理工大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版);1994年05期

5 許云;李彬;;基于背景遺傳模型的運(yùn)動(dòng)目標(biāo)檢測算法[J];自動(dòng)化技術(shù)與應(yīng)用;2017年03期

6 杜佳;宋春林;;一種改進(jìn)的毫米波雷達(dá)多目標(biāo)檢測算法[J];通信技術(shù);2015年07期

7 諸葛霞;向健勇;;基于分形特征的目標(biāo)檢測算法概述及仿真[J];紅外技術(shù);2006年10期

8 方路平;何杭江;周國民;;目標(biāo)檢測算法研究綜述[J];計(jì)算機(jī)工程與應(yīng)用;2018年13期

9 尚海林;;復(fù)雜場景下弱小目標(biāo)檢測算法的FPGA實(shí)現(xiàn)[J];航空兵器;2007年04期

10 詹煒;Inomjon Ramatov;崔萬新;喻晶精;;基于候選區(qū)域的深度學(xué)習(xí)目標(biāo)檢測算法綜述[J];長江大學(xué)學(xué)報(bào)(自然科學(xué)版);2019年05期

相關(guān)會(huì)議論文 前10條

1 何元磊;李紅軍;周陸軍;李旭淵;顧立林;尼濤;;基于端元豐度量化的高光譜圖像目標(biāo)檢測算法[A];國家安全地球物理叢書（十一）——地球物理應(yīng)用前沿[C];2015年

2 孫瑾秋;張艷寧;姜磊;王敏;;基于變換域特征的星空背景弱小目標(biāo)檢測算法[A];第八屆全國信號(hào)與信息處理聯(lián)合學(xué)術(shù)會(huì)議論文集[C];2009年

3 高飛;蔣建國;安紅新;齊美彬;;一種快速運(yùn)動(dòng)目標(biāo)檢測算法[A];全國第22屆計(jì)算機(jī)技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議(CACIS·2011)暨全國第3屆安全關(guān)鍵技術(shù)與應(yīng)用（SCA·2011）學(xué)術(shù)會(huì)議論文摘要集[C];2011年

4 許俊平;張啟衡;張耀;王華闖;;基于人眼視覺特性的小目標(biāo)檢測算法[A];2006年全國光電技術(shù)學(xué)術(shù)交流會(huì)會(huì)議文集（D 光電信息處理技術(shù)專題）[C];2006年

5 王藝婷;黃世奇;劉代志;王紅霞;;高光譜圖像目標(biāo)檢測算法性能研究[A];國家安全地球物理叢書（十）——地球物理環(huán)境與國家安全[C];2014年

6 張國華;;一種基于導(dǎo)引頭穩(wěn)定平臺(tái)結(jié)構(gòu)的目標(biāo)檢測算法[A];第九屆全國光電技術(shù)學(xué)術(shù)交流會(huì)論文集（下冊(cè)）[C];2010年

7 鄭偉成;李學(xué)偉;劉宏哲;;基于深度學(xué)習(xí)的目標(biāo)檢測算法綜述[A];中國計(jì)算機(jī)用戶協(xié)會(huì)網(wǎng)絡(luò)應(yīng)用分會(huì)2018年第二十二屆網(wǎng)絡(luò)新技術(shù)與應(yīng)用年會(huì)論文集[C];2018年

8 劉昊;趙龍;;基于改進(jìn)混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測算法[A];2011年中國智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第一分冊(cè)）[C];2011年

9 劉峰;奚曉梁;沈同圣;;基于最大值投影的空間小目標(biāo)檢測算法[A];第二屆空間目標(biāo)與碎片監(jiān)測、清理技術(shù)及應(yīng)用學(xué)術(shù)研討會(huì)論文集[C];2015年

10 鄧宇;陳孝威;;綜合利用時(shí)空信息的運(yùn)動(dòng)目標(biāo)檢測算法[A];第二屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議(HHME2006)——第15屆中國多媒體學(xué)術(shù)會(huì)議(NCMT'06)論文集[C];2006年

相關(guān)博士學(xué)位論文 前10條

1 張麗麗;基于空譜聯(lián)合特性的高光譜圖像異常目標(biāo)檢測算法研究[D];哈爾濱工程大學(xué);2018年

2 趙紅燕;被動(dòng)多基站雷達(dá)目標(biāo)檢測算法研究[D];西安電子科技大學(xué);2017年

3 郭小路;多通道雷達(dá)干擾抑制與目標(biāo)檢測算法研究[D];西安電子科技大學(xué);2017年

4 李健;星載寬幅SAR及目標(biāo)檢測算法研究[D];西安電子科技大學(xué);2018年

5 王志虎;基于顯著性的運(yùn)動(dòng)目標(biāo)檢測算法研究[D];國防科學(xué)技術(shù)大學(xué);2015年

6 郭明瑋;基于視覺記憶的目標(biāo)檢測算法：一個(gè)特征學(xué)習(xí)與特征聯(lián)想的過程[D];中國科學(xué)技術(shù)大學(xué);2014年

7 王俊強(qiáng);圖像中人體目標(biāo)檢測算法研究[D];北京郵電大學(xué);2012年

8 李凡;復(fù)雜背景抑制及弱小目標(biāo)檢測算法研究[D];西安電子科技大學(xué);2010年

9 種勁松;合成孔徑雷達(dá)圖像艦船目標(biāo)檢測算法與應(yīng)用研究[D];中國科學(xué)院研究生院（電子學(xué)研究所）;2002年

10 崔國龍;多天線配置雷達(dá)系統(tǒng)的目標(biāo)檢測算法研究[D];電子科技大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 周立學(xué);基于卷積神經(jīng)網(wǎng)絡(luò)的隧道目標(biāo)檢測算法研究[D];武漢理工大學(xué);2018年

2 孟俊彪;基于深度學(xué)習(xí)的自進(jìn)化雷達(dá)目標(biāo)檢測算法[D];廈門大學(xué);2018年

3 高麗清;高頻地波雷達(dá)船舶目標(biāo)檢測算法研究[D];內(nèi)蒙古大學(xué);2018年

4 李夢(mèng)瑩;復(fù)雜背景下的紅外小目標(biāo)檢測算法研究[D];吉林大學(xué);2018年

5 王東京;基于TMS320C6678平臺(tái)的紅外運(yùn)動(dòng)目標(biāo)檢測算法設(shè)計(jì)[D];南京理工大學(xué);2018年

6 李芝憬;海面回波分形特性分析與微弱目標(biāo)檢測[D];國防科學(xué)技術(shù)大學(xué);2016年

7 舒朗;基于強(qiáng)化學(xué)習(xí)的目標(biāo)檢測算法研究[D];杭州電子科技大學(xué);2018年

8 王哲峰;移動(dòng)端目標(biāo)檢測系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];浙江大學(xué);2018年

9 張守東;復(fù)雜場景下基于深度學(xué)習(xí)的顯著性目標(biāo)檢測算法研究[D];南京師范大學(xué);2018年

10 夏森林;基于壓縮感知域視頻的運(yùn)動(dòng)目標(biāo)檢測算法研究及應(yīng)用[D];南京理工大學(xué);2018年

本文編號(hào)：2745111