交通場景下的運動目標(biāo)檢測是計算機視覺領(lǐng)域中的重要研究方向,同時也是無人駕駛和輔助駕駛系統(tǒng)的重要組成部分。然而復(fù)雜多變的背景以及運動目標(biāo)自身的運動屬性,單幀圖像中普遍存在著運動模糊、失焦模糊以及目標(biāo)遮擋等問題,這都給運動目標(biāo)檢測任務(wù)帶來了巨大挑戰(zhàn)。鑒于以上問題,如果直接使用基于靜態(tài)圖像的目標(biāo)檢測器,效果并不理想。但是經(jīng)過分析發(fā)現(xiàn),在一組連續(xù)的視頻幀中,總會存在若干各高質(zhì)量特征的圖像幀,能夠使目標(biāo)檢測器表現(xiàn)出理想的性能。因此,本文改進基于靜態(tài)圖像的目標(biāo)檢測器,通過提取目標(biāo)的運動信息,融合相鄰幀特征,從而提升當(dāng)前幀的特征質(zhì)量。主要工作內(nèi)容如下:本文設(shè)計并實現(xiàn)了一種基于可變形卷積的特征對齊網(wǎng)絡(luò)。由于目標(biāo)在不同圖像幀中的空間位置和姿態(tài)均不一致,如果直接融合特征,會導(dǎo)致多個時刻的特征錯位疊加,反而不利于目標(biāo)檢測,因此在特征融合先必須進行特征對齊操作。本文探究了Farneback光流法和可變形卷積在特征對齊方面的表現(xiàn),并最終確定使用可變形卷積來實現(xiàn)特征對齊。該卷積可以學(xué)習(xí)目標(biāo)特征在兩幀之間的像素級對應(yīng)關(guān)系,并利用其強大的空間變換能力進行特征映射。首先輸入當(dāng)前幀和相鄰幀的特征圖,利用基于可變形卷積的網(wǎng)... 

【文章頁數(shù)】：77 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 課題研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 基于傳統(tǒng)方法的運動目標(biāo)檢測
        1.2.2 基于深度學(xué)習(xí)的目標(biāo)檢測
        1.2.3 基于深度學(xué)習(xí)的運動目標(biāo)檢測
    1.3 交通場景下的運動目標(biāo)檢測難點
    1.4 主要工作內(nèi)容
    1.5 論文結(jié)構(gòu)安排
第二章 常用特征提取網(wǎng)絡(luò)
    2.1 VGG網(wǎng)絡(luò)
    2.2 ResNet網(wǎng)絡(luò)
    2.3 Hourglass網(wǎng)絡(luò)
    2.4 DLANet網(wǎng)絡(luò)
    2.5 本章小結(jié)
第三章 基于時空特征融合的運動目標(biāo)檢測方法
    3.1 網(wǎng)絡(luò)架構(gòu)介紹
    3.2 特征對齊模塊
        3.2.1 Farneback光流法的基本原理
        3.2.2 基于光流法的特征對齊模塊的實現(xiàn)
        3.2.3 可變形卷積的基本原理
        3.2.4 基于可變形卷積的特征對齊模塊的實現(xiàn)
    3.3 時空特征融合模塊
    3.4 目標(biāo)檢測子網(wǎng)絡(luò)
        3.4.1 Faster RCNN網(wǎng)絡(luò)
        3.4.2 CenterNet網(wǎng)絡(luò)
        3.4.3 目標(biāo)檢測子網(wǎng)絡(luò)的選擇
    3.5 問題幀選取
        3.5.1 基于圖像相似度的問題幀選取
        3.5.2 基于圖像清晰度的問題幀選取
        3.5.3 基于目標(biāo)運動尺度的問題幀選取
    3.6 本章小結(jié)
第四章 實驗與分析
    4.1 KITTI數(shù)據(jù)集實驗
        4.1.1 數(shù)據(jù)集介紹
        4.1.2 評價指標(biāo)介紹
        4.1.3 數(shù)據(jù)預(yù)處理
        4.1.4 訓(xùn)練與測試過程
        4.1.5 結(jié)果與分析
    4.2 UA-DETRAC數(shù)據(jù)集實驗
        4.2.1 數(shù)據(jù)集介紹
        4.2.2 評價指標(biāo)介紹
        4.2.3 訓(xùn)練與測試過程
        4.2.4 結(jié)果與分析
第五章 工作總結(jié)與展望
    5.1 工作總結(jié)
    5.2 工作展望
參考文獻
致謝
學(xué)位論文評閱及答辯情況表


【參考文獻】：
期刊論文
[1]基于融合特征的視頻關(guān)鍵幀提取方法[J]. 張曉宇,張云華.  計算機系統(tǒng)應(yīng)用. 2019(11)
[2]運動目標(biāo)檢測的ViBe算法改進[J]. 楊丹,戴芳.  中國圖象圖形學(xué)報. 2018(12)
[3]基于背景差分與幀間差分的目標(biāo)檢測改進算法[J]. 王夢菊,吳小龍,杜海濤.  自動化技術(shù)與應(yīng)用. 2018(10)
[4]Farneback光流法在短臨預(yù)報中的應(yīng)用[J]. 安晶晶,劉高平,朱佳寧.  軟件. 2018(10)
[5]基于改進混合高斯模型的運動目標(biāo)檢測方法[J]. 張國平,高兆彬.  計算機系統(tǒng)應(yīng)用. 2017(04)
[6]基于改進的單高斯背景模型檢測算法的研究[J]. 徐鴻偉,陳錢,錢惟賢.  激光與光電子學(xué)進展. 2016(04)
[7]一種改進的Sobel算子圖像清晰度評價函數(shù)[J]. 錢青,臧冬菊.  計算機與數(shù)字工程. 2015(10)
[8]基于背景減除與三幀差分相融合的運動檢測[J]. 邱聯(lián)奎,劉啟亮,雷文龍.  合肥工業(yè)大學(xué)學(xué)報(自然科學(xué)版). 2014(05)
[9]基于中國市場特定需求的汽車先進駕駛輔助系統(tǒng)發(fā)展趨勢研究[J]. 馬鈞,曹靜.  上海汽車. 2012(04)

碩士論文
[1]基于深度學(xué)習(xí)的車輛目標(biāo)檢測方法[D]. 利照堅.廣東工業(yè)大學(xué) 2019
[2]基于改進光流法的運動目標(biāo)檢測與跟蹤[D]. 陳祺.哈爾濱工程大學(xué) 2019
[3]基于深度卷積神經(jīng)網(wǎng)絡(luò)和圖像傳感器的道路多目標(biāo)檢測研究[D]. 謝一德.北京交通大學(xué) 2018
[4]基于多通道成像的運動目標(biāo)快速檢測方法[D]. 文闊.西安電子科技大學(xué) 2014



本文編號：3709477