隨著人工智能技術(shù)的快速發(fā)展,車輛檢測作為模式識別的核心,受到了廣泛的關(guān)注。它是智能輔助駕駛系統(tǒng),乃至車輛無人駕駛的基礎(chǔ)。傳統(tǒng)的車輛檢測算法,是利用圖像序列中的運動車輛形狀、色彩、邊界特征等方面的差異,檢測出運動車輛。然而,由于環(huán)境中的天氣影響光照強度、遮擋物陰影、目標(biāo)運動車輛的不確定性、背景復(fù)雜等因素影響,使得傳統(tǒng)算法對車輛要同時具備高魯棒性和高精度的檢測變得十分困難,最終的檢測效果也不理想。本文從傳統(tǒng)的車輛檢測算法入手,針對算法中遇到的困難與缺陷,提出了一些新的算法框架。論文的主要工作和研究成果體現(xiàn)如下:1.在傳統(tǒng)的車輛檢測算法中,由于車輛間相互遮擋、交通場景復(fù)雜以及車輛檢測模型穩(wěn)定性不高等問題的存在,使得車輛檢測的效果不盡人意。為此,本文提出了一種基于Haar特征和AdaBoost分類器的車輛檢測算法。論文首先利用車載攝像頭采集的道路車輛數(shù)據(jù)集訓(xùn)練弱分類器,再篩選出最佳弱分類器并按照一定權(quán)重組合成一個AdaBoost強分類器,并結(jié)合現(xiàn)有的OpenCV在圖像識別方面的函數(shù)庫實現(xiàn)對道路車輛的檢測。從檢測結(jié)果可以看出,該算法對道路車輛具有良好的檢測效果,突破了傳統(tǒng)檢測算法的瓶頸。但是仍然... 

【文章頁數(shù)】：75 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 基于非特征的檢測方法
        1.2.2 基于特征的檢測方法
        1.2.3 基于深度學(xué)習(xí)的檢測方法
    1.3 本文研究內(nèi)容及組織架構(gòu)
        1.3.1 本文研究內(nèi)容
        1.3.2 本文組織架構(gòu)
    1.4 本章小結(jié)
第2章 基于HAAR特征和ADABOOST分類器的前方車輛檢測
    2.1 路面信息預(yù)處理
        2.1.1 圖像灰度化處理
        2.1.2 感興趣區(qū)域的二值化處理
        2.1.3 車道線標(biāo)記
    2.2 HAAR-LIKE特征
        2.2.1 HAAR-LIKE原理
        2.2.2 基于積分通道的HAAR特征提取
    2.3 ADABOOST算法
    2.4 滑動窗口檢測
    2.5 算法性能分析
        2.5.1 算法評價指標(biāo)
        2.5.2 實驗一:算法性能測試與比較
        2.5.3 實驗二:車輛檢測效果展示
    2.6 本章小結(jié)
第3章 基于深度學(xué)習(xí)的目標(biāo)檢測算法概述
    3.1 深度學(xué)習(xí)的相關(guān)知識
        3.1.1 深度學(xué)習(xí)簡介
        3.1.2 反向傳播算法
        3.1.3 卷積神經(jīng)網(wǎng)絡(luò)
    3.2 SOFTMAX回歸模型
    3.3 基于區(qū)域提名的檢測方法
        3.3.1 R-CNN檢測框架
        3.3.2 SPP-NET檢測框架
        3.3.3 FAST R-CNN檢測框架
        3.3.4 FASTER R-CNN檢測框架
    3.4 基于端到端的檢測方法
        3.4.1 YOLO檢測框架
        3.4.2 SSD檢測框架
    3.5 本章小結(jié)
第4章 基于級聯(lián)型IRPN網(wǎng)絡(luò)的車輛檢測算法
    4.1 引言
    4.2 區(qū)域建議網(wǎng)絡(luò)框架
        4.2.1 建議區(qū)域的生成
        4.2.2 損失函數(shù)
        4.2.3 預(yù)選區(qū)域的訓(xùn)練
        4.2.4 非極大抑制
    4.3 級聯(lián)型IRPN算法
        4.3.1 RPN和 FAST R-CNN網(wǎng)絡(luò)的級聯(lián)結(jié)構(gòu)
        4.3.2 級聯(lián)型IRPN網(wǎng)絡(luò)的訓(xùn)練
        4.3.3 實驗結(jié)果與分析
    4.4 本章小結(jié)
第5章 基于改進卷積神經(jīng)網(wǎng)絡(luò)的快速車輛檢測算法
    5.1 引言
    5.2 網(wǎng)絡(luò)結(jié)構(gòu)組成
        5.2.1 深度卷積網(wǎng)絡(luò)DCN
        5.2.2 建議網(wǎng)絡(luò)LPN
        5.2.3 微調(diào)網(wǎng)絡(luò)FTN
    5.3 HYPER特征與特征連接
        5.3.1 HYPER特征
        5.3.2 特征連接
    5.4 訓(xùn)練
        5.4.1 多階段損失函數(shù)
        5.4.2 網(wǎng)絡(luò)訓(xùn)練
    5.5 實驗結(jié)果分析
        5.5.1實驗一:控制變量實驗
        5.5.2實驗二:算法性能比較實驗
        5.5.3 實驗三:車輛檢測效果展示
    5.6 本章小結(jié)
第6章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
致謝
參考文獻
附錄


【參考文獻】：
期刊論文
[1]基于背景減法和幀間差分法的視頻運動目標(biāo)檢測方法[J]. 沈瑜,王新新.  自動化與儀器儀表. 2017(04)
[2]基于區(qū)域建議網(wǎng)絡(luò)的行人檢測[J]. 王琴芳,應(yīng)娜.  通信技術(shù). 2017(03)
[3]一種結(jié)合幀間差分法與光流法的運動目標(biāo)檢測[J]. 馮訓(xùn)偉.  法制博覽. 2017(03)
[4]基于車道線的前方車輛檢測方法研究[J]. 賈世杰,劉金環(huán),于夢晗,祁曉婷.  大連交通大學(xué)學(xué)報. 2015(05)
[5]彩色自然場景下的多特征融合車輛檢測算法[J]. 陳明亮,岑峰.  系統(tǒng)仿真技術(shù). 2015(03)
[6]基于多尺度特征近似計算的行人檢測方法[J]. 崔劍,侯曉榮.  電腦與電信. 2015(04)
[7]基于背景差分法的視頻目標(biāo)檢測算法研究[J]. 汪國強,蓋琪琳,于懷勇,文雪,任天威.  黑龍江大學(xué)工程學(xué)報. 2014(04)
[8]一種改進Hough變換的車道線檢測算法[J]. 王全.  計算機與數(shù)字工程. 2014(11)
[9]基于新Haar-like特征的Adaboost人臉檢測算法[J]. 江偉堅,郭躬德,賴智銘.  山東大學(xué)學(xué)報(工學(xué)版). 2014(02)
[10]基于多特征融合的前向車輛檢測方法[J]. 李星,郭曉松,郭君斌.  計算機工程. 2014(02)

碩士論文
[1]攝像頭網(wǎng)絡(luò)中車輛檢測和識別方法的研究[D]. 彭錦佳.大連海事大學(xué) 2017
[2]基于深度學(xué)習(xí)的車輛檢測方法研究[D]. 張文桂.華南理工大學(xué) 2016
[3]基于LBP的圖像紋理特征的提取及應(yīng)用[D]. 趙玉丹.西安郵電大學(xué) 2015
[4]多特征融合的行人檢測算法的研究和實現(xiàn)[D]. 柳建為.杭州電子科技大學(xué) 2015
[5]基于視頻的運動目標(biāo)檢測算法研究[D]. 王霏.吉林大學(xué) 2014
[6]基于光流的動態(tài)場景中運動車輛檢測與跟蹤算法研究[D]. 高磊.中國科學(xué)技術(shù)大學(xué) 2014
[7]灰度圖像的直方圖均衡化處理研究[D]. 陳永亮.安徽大學(xué) 2014
[8]基于Android平臺的視覺手勢識別研究[D]. 王贊超.西安電子科技大學(xué) 2013
[9]基于單目視覺的輔助駕駛系統(tǒng)中的圖像處理研究[D]. 韋庭.電子科技大學(xué) 2012
[10]基于多特征的前方車輛檢測與跟蹤方法研究[D]. 張玲增.江蘇大學(xué) 2010



本文編號：3718016