基于卷積神經(jīng)網(wǎng)絡(luò)的兩輪車輛視頻檢測
發(fā)布時間：2021-09-04 04:55
近年來,智能交通系統(tǒng)對我國的交通管理起到了有力的監(jiān)管作用,在我國引起了廣泛的關(guān)注。而車輛檢測技術(shù)更是智能交通的一個研究的熱點,并取得了一定的研究成果。傳統(tǒng)的車輛檢測方法是通過人工提取特征,并不適用于復(fù)雜多變的交通環(huán)境;而基于深度學(xué)習的車輛檢測方法可以自動學(xué)習多種環(huán)境下的目標特征,泛化性較強,對復(fù)雜的交通環(huán)境具有較強的適用性。在交通系統(tǒng)中,兩輪車輛的違規(guī)現(xiàn)象較多,且較容易引發(fā)交通事故,所以對兩輪車輛的檢測迫在眉睫。本文結(jié)合國內(nèi)外的研究現(xiàn)狀,將采用基于改進的Faster R-CNN框架對交通視頻中的兩輪車輛進行檢測,具體的研究內(nèi)容如下:1.對國內(nèi)外一般車輛和兩輪車輛的檢測技術(shù)進行了研究,并將傳統(tǒng)方法和深度學(xué)習方法進行了對比,充分了解它們的優(yōu)點和缺點。2.針對Faster R-CNN算法對小尺度兩輪車輛的檢測存在的漏檢問題,本文對Faster RCNN模型做以下改進:首先針對兩輪車輛數(shù)據(jù)集對錨框的尺寸進行修改,其次為了彌補小目標細節(jié)特征的丟失,在提取特征時將不同卷積層的特征進行融合,從而提高模型對小尺度兩輪車輛的敏感度,提升模型的表達能力。3.針對Faster R-CNN算法對小尺度兩輪車輛...
【文章來源】：江西理工大學(xué)江西省
【文章頁數(shù)】：75 頁
【學(xué)位級別】：碩士
【部分圖文】：
LeNet網(wǎng)絡(luò)結(jié)構(gòu)圖
圖3.1R-CNN 模型的框圖R-CNN 模型的具體檢測流程如下:(1)通過 SS 方法再待檢測圖像上生成候選區(qū)域；(2)將這些候選區(qū)域縮放到同一尺度，然后串聯(lián)在一起；(3)將串聯(lián)后的候選區(qū)域輸送到 CNN 提取特征；(4)將提取到的特征輸送到 SVM 分類器和邊框回歸，進行分類和位置精修。3.1.2 選擇性搜索算法SS算法首先通過分割算法將圖像進行分割，產(chǎn)生很多子區(qū)域，然后根據(jù)這些子區(qū)域的相似度合并這些區(qū)域，生成一些大的區(qū)域，重復(fù)合并小區(qū)域的過程，最后整個圖像會合并成一個區(qū)域，然后用外接矩形將每一個區(qū)域框起來，這樣就得到了很多包含物體的邊框，對每一個框進行打分，從而選出候選區(qū)域。執(zhí)行過程如下：(1) 輸入圖像，然后通過分割算法，分割輸入的圖像，生成最初的區(qū)域集 1 2, ,...nR r r r ；(2)根據(jù)子區(qū)域的紋理和形狀等信息，計算出 R 集里面任意相鄰區(qū)域的相似度，組成相
第三章 基于區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的兩輪車輛檢測方法類器進行分類處理，然后再通過邊框回歸算法對邊框位置進行精修。將本文采集到的真實交通場景下的兩輪車輛數(shù)據(jù)集在R-CNN模型下進行訓(xùn)練，具體的訓(xùn)練步驟如下所示：(1)通過在數(shù)據(jù)集ImageNet上預(yù)訓(xùn)練的網(wǎng)絡(luò)權(quán)值對CNN進行初始化；(2)通過本文采集到的真實交通場景下的兩輪車輛數(shù)據(jù)集,對初始化好的CNN進行微調(diào)。(3)通過SS方法生成候選區(qū)域，然后將這些候選區(qū)域輸送到微調(diào)后的CNN中進行特征提取，然后將這些提取到的特征保存起來；(4)將保存的特征輸送到SVM分類器，進行分類器訓(xùn)練。將測試集輸入到訓(xùn)練好的模型中進行測試，效果圖如圖3.6所示。
【參考文獻】：
期刊論文
[1]基于特征光流的多運動目標檢測跟蹤算法與評價[J]. 屈治華,邵毅明,鄧天民. 科學(xué)技術(shù)與工程. 2018(22)
[2]基于組合前景提取的混合交通兩輪車輛視頻檢測[J]. 鄺先驗,王成坤,許倫輝. 交通運輸系統(tǒng)工程與信息. 2014(05)
[3]一種基于HOG-LBP的高效車輛檢測方法[J]. 楊先鳳,楊燕. 計算機工程. 2014(09)
[4]基于改進的Adaboost算法和幀差法的車輛檢測方法[J]. 劉洋,王海暉,向云露,盧培磊. 華中科技大學(xué)學(xué)報(自然科學(xué)版). 2013(S1)
[5]基于粒子群算法和云模型的車型識別[J]. 唐朝霞,俞揚信,張粵. 微電子學(xué)與計算機. 2013(11)
[6]基于視頻的車輛檢測與跟蹤研究進展[J]. 錢志明,楊家寬,段連鑫. 中南大學(xué)學(xué)報(自然科學(xué)版). 2013(S2)
[7]基于視頻的車輛檢測算法綜述[J]. 張暉,董育寧. 南京郵電大學(xué)學(xué)報(自然科學(xué)版). 2007(03)
本文編號：3382606
【文章來源】：江西理工大學(xué)江西省
【文章頁數(shù)】：75 頁
【學(xué)位級別】：碩士
【部分圖文】：
LeNet網(wǎng)絡(luò)結(jié)構(gòu)圖
圖3.1R-CNN 模型的框圖R-CNN 模型的具體檢測流程如下:(1)通過 SS 方法再待檢測圖像上生成候選區(qū)域；(2)將這些候選區(qū)域縮放到同一尺度，然后串聯(lián)在一起；(3)將串聯(lián)后的候選區(qū)域輸送到 CNN 提取特征；(4)將提取到的特征輸送到 SVM 分類器和邊框回歸，進行分類和位置精修。3.1.2 選擇性搜索算法SS算法首先通過分割算法將圖像進行分割，產(chǎn)生很多子區(qū)域，然后根據(jù)這些子區(qū)域的相似度合并這些區(qū)域，生成一些大的區(qū)域，重復(fù)合并小區(qū)域的過程，最后整個圖像會合并成一個區(qū)域，然后用外接矩形將每一個區(qū)域框起來，這樣就得到了很多包含物體的邊框，對每一個框進行打分，從而選出候選區(qū)域。執(zhí)行過程如下：(1) 輸入圖像，然后通過分割算法，分割輸入的圖像，生成最初的區(qū)域集 1 2, ,...nR r r r ；(2)根據(jù)子區(qū)域的紋理和形狀等信息，計算出 R 集里面任意相鄰區(qū)域的相似度，組成相
第三章 基于區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的兩輪車輛檢測方法類器進行分類處理，然后再通過邊框回歸算法對邊框位置進行精修。將本文采集到的真實交通場景下的兩輪車輛數(shù)據(jù)集在R-CNN模型下進行訓(xùn)練，具體的訓(xùn)練步驟如下所示：(1)通過在數(shù)據(jù)集ImageNet上預(yù)訓(xùn)練的網(wǎng)絡(luò)權(quán)值對CNN進行初始化；(2)通過本文采集到的真實交通場景下的兩輪車輛數(shù)據(jù)集,對初始化好的CNN進行微調(diào)。(3)通過SS方法生成候選區(qū)域，然后將這些候選區(qū)域輸送到微調(diào)后的CNN中進行特征提取，然后將這些提取到的特征保存起來；(4)將保存的特征輸送到SVM分類器，進行分類器訓(xùn)練。將測試集輸入到訓(xùn)練好的模型中進行測試，效果圖如圖3.6所示。
【參考文獻】：
期刊論文
[1]基于特征光流的多運動目標檢測跟蹤算法與評價[J]. 屈治華,邵毅明,鄧天民. 科學(xué)技術(shù)與工程. 2018(22)
[2]基于組合前景提取的混合交通兩輪車輛視頻檢測[J]. 鄺先驗,王成坤,許倫輝. 交通運輸系統(tǒng)工程與信息. 2014(05)
[3]一種基于HOG-LBP的高效車輛檢測方法[J]. 楊先鳳,楊燕. 計算機工程. 2014(09)
[4]基于改進的Adaboost算法和幀差法的車輛檢測方法[J]. 劉洋,王海暉,向云露,盧培磊. 華中科技大學(xué)學(xué)報(自然科學(xué)版). 2013(S1)
[5]基于粒子群算法和云模型的車型識別[J]. 唐朝霞,俞揚信,張粵. 微電子學(xué)與計算機. 2013(11)
[6]基于視頻的車輛檢測與跟蹤研究進展[J]. 錢志明,楊家寬,段連鑫. 中南大學(xué)學(xué)報(自然科學(xué)版). 2013(S2)
[7]基于視頻的車輛檢測算法綜述[J]. 張暉,董育寧. 南京郵電大學(xué)學(xué)報(自然科學(xué)版). 2007(03)
本文編號：3382606
本文鏈接：http://sikaile.net/kejilunwen/ruanjiangongchenglunwen/3382606.html
最近更新
教材專著
