本文關(guān)鍵詞：基于深度學(xué)習(xí)的車輛檢測(cè)方法研究

  更多相關(guān)文章： 車輛檢測(cè) 深度學(xué)習(xí) 卷積神經(jīng)網(wǎng)絡(luò) 空間金字塔池化 非極大值抑制

【摘要】：隨著全球經(jīng)濟(jì)的持續(xù)快速增長(zhǎng),世界各國(guó)的汽車保有量也持續(xù)增長(zhǎng),由此引發(fā)了一系列的交通和環(huán)境問題。為了應(yīng)對(duì)這些問題,許多國(guó)家開始研究智能交通系統(tǒng)。而車輛檢測(cè)屬于智能交通系統(tǒng)比較基礎(chǔ)的環(huán)節(jié),對(duì)于智能交通系統(tǒng)的發(fā)展具有重要意義。傳統(tǒng)的車輛檢測(cè)方法如幀間差分法等,檢測(cè)效果往往不盡如人意。深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)方法對(duì)于目標(biāo)旋轉(zhuǎn)、位移具有一定的不變性,在許多圖像分類和檢測(cè)應(yīng)用中展現(xiàn)出優(yōu)秀的性能。本文將其應(yīng)用于車輛檢測(cè)研究,主要完成了以下工作:1)從多個(gè)視頻場(chǎng)景中采集了多種不同型號(hào)、不同外觀、從不同角度拍攝的車輛構(gòu)成正樣本集,并采集一些沒有車輛存在的圖片為負(fù)樣本集。為了增加分類器對(duì)于不同光線條件的適應(yīng)性以及樣本多樣性,對(duì)原始樣本進(jìn)行了HSV空間明度平移操作。2)與傳統(tǒng)的車輛分類算法人為指定特征的方式不同,卷積神經(jīng)網(wǎng)絡(luò)模型由于其特殊的結(jié)構(gòu),可以通過訓(xùn)練網(wǎng)絡(luò)參數(shù)自動(dòng)提取樣本特征。本文設(shè)計(jì)了一個(gè)卷積神經(jīng)網(wǎng)絡(luò)車輛分類模型,并且應(yīng)用反向傳播算法進(jìn)行網(wǎng)絡(luò)參數(shù)的訓(xùn)練。接著,將該模型與檢測(cè)框合并算法結(jié)合,應(yīng)用于實(shí)際場(chǎng)景中進(jìn)行車輛檢測(cè)。3)針對(duì)某些檢測(cè)場(chǎng)景中,近處和遠(yuǎn)處車輛尺寸差異較大的情況,提出多尺寸檢測(cè)框策略。為適應(yīng)不同尺寸圖像的輸入,本文采用了基于空間金字塔池化的卷積神經(jīng)網(wǎng)絡(luò)模型。在該模型中,使用了ZF-5模型進(jìn)行特征提取。在空間金字塔池化獲得統(tǒng)一尺寸特征后,采用SVM分類器進(jìn)行分類。將模型應(yīng)用于實(shí)際場(chǎng)景時(shí),存在同一車輛多次被檢測(cè)的情況,我們使用非極大值抑制算法進(jìn)行檢測(cè)框的篩選。最后,我們分別在訓(xùn)練集和實(shí)際場(chǎng)景中驗(yàn)證了兩個(gè)卷積神經(jīng)網(wǎng)絡(luò)模型的性能,獲得了較好的分類效果和檢測(cè)效果。
【關(guān)鍵詞】：車輛檢測(cè) 深度學(xué)習(xí) 卷積神經(jīng)網(wǎng)絡(luò) 空間金字塔池化 非極大值抑制
【學(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：U495;TP391.41
【目錄】：

• 摘要5-6
• ABSTRACT6-11
• 第一章 緒論11-19
• 1.1 選題背景及課題的研究意義11-13
• 1.2 智能交通系統(tǒng)及車輛檢測(cè)研究現(xiàn)狀13-16
• 1.3 深度學(xué)習(xí)研究現(xiàn)狀16-17
• 1.4 主要工作及章節(jié)安排17-19
• 1.4.1 本文主要研究工作17
• 1.4.2 論文的章節(jié)安排17-19
• 第二章 傳統(tǒng)的車輛檢測(cè)方法論述19-33
• 2.1 常用顏色模型介紹19-23
• 2.2 基于幀間差分的車輛檢測(cè)23-25
• 2.3 基于背景差分的車輛檢測(cè)25-27
• 2.4 基于光流法的車輛檢測(cè)27-30
• 2.5 傳統(tǒng)的車輛檢測(cè)與基于深度學(xué)習(xí)的車輛檢測(cè)對(duì)比30-32
• 2.6 本章小結(jié)32-33
• 第三章 淺層分類器、深度學(xué)習(xí)及卷積神經(jīng)網(wǎng)絡(luò)綜述33-47
• 3.1 淺層分類器33-40
• 3.1.1 線性判別分析法LDA33-35
• 3.1.2 支持向量機(jī)SVM35-38
• 3.1.3 隨機(jī)森林38-39
• 3.1.4 K近鄰算法39-40
• 3.2 從淺層學(xué)習(xí)到深度學(xué)習(xí)40-41
• 3.3 卷積神經(jīng)網(wǎng)絡(luò)41-46
• 3.3.1 卷積神經(jīng)網(wǎng)絡(luò)模型概述41-43
• 3.3.2 感受野與權(quán)值共享43-45
• 3.3.3 空間降采樣45-46
• 3.4 本章小結(jié)46-47
• 第四章 基于卷積神經(jīng)網(wǎng)絡(luò)的道路車輛檢測(cè)系統(tǒng)47-64
• 4.1 將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于車輛檢測(cè)的原因和思路47-48
• 4.2 卷積神經(jīng)網(wǎng)絡(luò)車輛檢測(cè)器的設(shè)計(jì)48-57
• 4.2.1 車輛分類器的設(shè)計(jì)思路48
• 4.2.2 卷積神經(jīng)網(wǎng)絡(luò)模型48-51
• 4.2.3 數(shù)據(jù)集的預(yù)處理51-53
• 4.2.4 采用反向傳播算法訓(xùn)練樣本集53-57
• 4.3 卷積神經(jīng)網(wǎng)絡(luò)在測(cè)試集及實(shí)際視頻中的檢測(cè)結(jié)果57-63
• 4.3.1 十折交叉驗(yàn)證57
• 4.3.2 車輛檢測(cè)評(píng)估指標(biāo)介紹57-58
• 4.3.3 在測(cè)試樣本集的分類結(jié)果分析58-61
• 4.3.4 在實(shí)際視頻流中的檢測(cè)效果61-63
• 4.4 本章小結(jié)63-64
• 第五章 基于空間金字塔池化的多尺度車輛檢測(cè)64-80
• 5.1 將空間金字塔池化的結(jié)構(gòu)應(yīng)用于車輛檢測(cè)的原因和思路64-67
• 5.2 基于空間金字塔池化的車輛分類器設(shè)計(jì)67-74
• 5.2.1 基于SPP的卷積神經(jīng)網(wǎng)絡(luò)車輛分類器結(jié)構(gòu)67-68
• 5.2.2 卷積神經(jīng)網(wǎng)絡(luò)車輛分類器中的ZF-5 模型68-69
• 5.2.3 卷積神經(jīng)網(wǎng)絡(luò)車輛分類器中的空間金字塔池化層69-71
• 5.2.4 基于SPP的卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)器設(shè)計(jì)71-73
• 5.2.5 基于SPP的卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)器中的非極大值抑制算法73-74
• 5.3 基于空間金字塔池化的卷積神經(jīng)網(wǎng)絡(luò)模型分類及檢測(cè)結(jié)果分析74-79
• 5.3.1 基于SPP的卷積神經(jīng)網(wǎng)絡(luò)分類器的訓(xùn)練和分類效果分析74-77
• 5.3.2 基于SPP的卷積神經(jīng)網(wǎng)絡(luò)車輛檢測(cè)器效果分析77-79
• 5.4 本章小結(jié)79-80
• 總結(jié)與展望80-82
• 總結(jié)80
• 展望80-82
• 參考文獻(xiàn)82-86
• 攻讀碩士學(xué)位期間取得的研究成果86-87
• 致謝87-88
• 附件88

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 張文溥;;視頻車輛檢測(cè)技術(shù)及發(fā)展趨勢(shì)[J];中國(guó)人民公安大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年01期

2 劉珠妹;劉亞嵐;譚衢霖;任玉環(huán);;高分辨率衛(wèi)星影像車輛檢測(cè)研究進(jìn)展[J];遙感技術(shù)與應(yīng)用;2012年01期

3 錢志明;楊家寬;段連鑫;;基于視頻的車輛檢測(cè)與跟蹤研究進(jìn)展[J];中南大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年S2期

4 湯灝;張峰;;車輛檢測(cè)技術(shù)的選用[J];中國(guó)交通信息產(chǎn)業(yè);2004年03期

5 文學(xué)志;趙宏;王楠;袁淮;;基于知識(shí)和外觀方法相結(jié)合的后方車輛檢測(cè)[J];東北大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年03期

6 劉振華;黃磊;劉昌平;;一種基于視頻圖像處理的車輛違章檢測(cè)算法[J];公路交通科技;2012年02期

7 楊阿麗;劉峽壁;魏雪;萬(wàn)玉釵;;用于交通治安卡口的全天候視頻車輛檢測(cè)方法[J];合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年03期

8 魏凱;盛建平;熊凱;;基于陰影特征的前向車輛檢測(cè)和測(cè)距方法研究[J];機(jī)械設(shè)計(jì)與制造;2013年02期

9 郭磊;李克強(qiáng);王建強(qiáng);連小珉;;一種基于特征的車輛檢測(cè)方法[J];汽車工程;2006年11期

10 李光才;;一種改進(jìn)的背景重建與更新方法[J];中國(guó)水運(yùn)(下半月);2008年05期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前10條

1 錢志明;楊家寬;段連鑫;;基于視頻的車輛檢測(cè)與跟蹤研究進(jìn)展[A];2013年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第五分冊(cè)）[C];2013年

2 聞?dòng)?潘霓;;基于磁偏角的車輛檢測(cè)的研究[A];第二十七屆中國(guó)控制會(huì)議論文集[C];2008年

3 楊阿麗;劉峽壁;魏雪;萬(wàn)玉釵;;用于交通治安卡口的全天候視頻車輛檢測(cè)方法[A];全國(guó)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(guó)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 楊淼;;基于卡爾曼濾波的電子警察系統(tǒng)車輛檢測(cè)算法[A];2011年全國(guó)電子信息技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2011年

5 蔣大林;馬軍強(qiáng);;基于視頻的車輛檢測(cè)與跟蹤方法綜述[A];第六屆全國(guó)信息獲取與處理學(xué)術(shù)會(huì)議論文集（2）[C];2008年

6 鄒月嫻;王一言;關(guān)佩;楊華;陳維榮;;復(fù)雜視頻背景中的運(yùn)動(dòng)車輛檢測(cè)技術(shù)[A];第四屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議論文集[C];2008年

7 李舜酩;繆小冬;;視覺車輛檢測(cè)方法的研究進(jìn)展及展望[A];2009全國(guó)虛擬儀器大會(huì)論文集（二）[C];2009年

8 王忠耀;任青春;王少華;郭春生;;基于紅外視頻的車載行人車輛檢測(cè)系統(tǒng)[A];浙江省電子學(xué)會(huì)2013學(xué)術(shù)年會(huì)論文集[C];2013年

9 孫明;孫紅;;智能交通系統(tǒng)中車輛的圖像檢測(cè)方法研究[A];農(nóng)業(yè)工程科技創(chuàng)新與建設(shè)現(xiàn)代農(nóng)業(yè)——2005年中國(guó)農(nóng)業(yè)工程學(xué)會(huì)學(xué)術(shù)年會(huì)論文集第三分冊(cè)[C];2005年

10 吳嶸;何培宇;徐自勵(lì);段文鋒;劉珂含;;一種去背景的車輛檢測(cè)與跟蹤快速算法[A];第十三屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2007）論文集[C];2007年

中國(guó)重要報(bào)紙全文數(shù)據(jù)庫(kù) 前10條

1 記者 何雪峰;宿州簡(jiǎn)政放權(quán)助推縣域經(jīng)濟(jì)[N];安徽日?qǐng)?bào);2009年

2 記者 賈瑞芳;檢車進(jìn)企業(yè) 溫暖送到家[N];河北經(jīng)濟(jì)日?qǐng)?bào);2009年

3 鄭利平;湖州車輛檢測(cè)科研項(xiàng)目通過鑒定[N];中國(guó)交通報(bào);2004年

4 張廣明;運(yùn)用高新技術(shù)審驗(yàn)運(yùn)輸車輛[N];巴彥淖爾日?qǐng)?bào)(漢);2007年

5 張奇 李小潔;車輛檢測(cè)，為何招來怨聲一片[N];檢察日?qǐng)?bào);2002年

6 本報(bào)記者 侯莎莎;車輛年檢強(qiáng)制免費(fèi)換牌釘[N];北京日?qǐng)?bào);2012年

7 奚榮武　顧剛;昆山：1100萬(wàn)元加強(qiáng)卡口監(jiān)控[N];人民公安報(bào);2009年

8 見習(xí)記者 黃鵬飛;檢測(cè)要細(xì)之又細(xì)，事故要堅(jiān)決壓降[N];法治快報(bào);2006年

9 記者 楊耀青;車輛檢測(cè)更加公正透明[N];西安日?qǐng)?bào);2011年

10 張貴峰;車檢改革應(yīng)將交通部門納入其中[N];法制日?qǐng)?bào);2014年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前8條

1 李博;基于層次性與或圖模型的車輛檢測(cè)與解析[D];北京理工大學(xué);2015年

2 劉培勛;車輛主動(dòng)安全中關(guān)于車輛檢測(cè)與跟蹤算法的若干研究[D];吉林大學(xué);2015年

3 張偉;基于視覺的運(yùn)動(dòng)車輛檢測(cè)與跟蹤[D];上海交通大學(xué);2007年

4 徐琨;交通視頻監(jiān)控中的車輛檢測(cè)與跟蹤方法研究[D];長(zhǎng)安大學(xué);2009年

5 王曾敏;小波圖像融合算法及其在視頻車輛檢測(cè)系統(tǒng)中的應(yīng)用研究[D];天津大學(xué);2009年

6 許潔瓊;基于視頻圖像處理的車輛檢測(cè)與跟蹤方法研究[D];中國(guó)海洋大學(xué);2012年

7 嚴(yán)捷豐;交通視頻監(jiān)控中的車輛檢測(cè)與分割方法研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2008年

8 李衛(wèi)江;基于線陣CCD成像交通信息采集和檢測(cè)技術(shù)的研究[D];長(zhǎng)安大學(xué);2008年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 王齊;車輛檢測(cè)與樣本采集系統(tǒng)的研究與設(shè)計(jì)[D];延邊大學(xué);2015年

2 馬蓓蓓;基于HOG特征的車輛檢測(cè)技術(shù)研究[D];華南理工大學(xué);2015年

3 張雙;基于嵌入式技術(shù)的物流跟蹤及車輛檢測(cè)系統(tǒng)設(shè)計(jì)[D];昆明理工大學(xué);2015年

4 郭敏;基于高速公路大貨車違法占道監(jiān)測(cè)系統(tǒng)的車輛檢測(cè)與跟蹤研究[D];西南交通大學(xué);2015年

5 馮樂;基于AMR傳感器的車輛信息采集系統(tǒng)[D];天津理工大學(xué);2015年

6 張驍;基于3D空間多部件模型的車輛檢測(cè)方法研究[D];長(zhǎng)安大學(xué);2015年

7 趙倩倩;基于目標(biāo)特征點(diǎn)跟蹤與聚類的車輛檢測(cè)算法研究[D];長(zhǎng)安大學(xué);2015年

8 曹曉明;基于多圖像特征金字塔的車輛檢測(cè)[D];北京交通大學(xué);2016年

9 張璐;視頻車輛檢測(cè)與預(yù)警算法的研究與DSP實(shí)現(xiàn)[D];東北大學(xué);2014年

10 劉賽;基于形狀和表觀約束活動(dòng)基模型的車輛檢測(cè)技術(shù)[D];北京理工大學(xué);2016年

，

本文編號(hào)：600676