近年來(lái),智能交通系統(tǒng)對(duì)我國(guó)的交通管理起到了有力的監(jiān)管作用,在我國(guó)引起了廣泛的關(guān)注。而車輛檢測(cè)技術(shù)更是智能交通的一個(gè)研究的熱點(diǎn),并取得了一定的研究成果。傳統(tǒng)的車輛檢測(cè)方法是通過(guò)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(xí)的車輛檢測(cè)方法可以自動(dòng)學(xué)習(xí)多種環(huán)境下的目標(biāo)特征,泛化性較強(qiáng),對(duì)復(fù)雜的交通環(huán)境具有較強(qiáng)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(duì)兩輪車輛的檢測(cè)迫在眉睫。本文結(jié)合國(guó)內(nèi)外的研究現(xiàn)狀,將采用基于改進(jìn)的Faster R-CNN框架對(duì)交通視頻中的兩輪車輛進(jìn)行檢測(cè),具體的研究?jī)?nèi)容如下:1.對(duì)國(guó)內(nèi)外一般車輛和兩輪車輛的檢測(cè)技術(shù)進(jìn)行了研究,并將傳統(tǒng)方法和深度學(xué)習(xí)方法進(jìn)行了對(duì)比,充分了解它們的優(yōu)點(diǎn)和缺點(diǎn)。2.針對(duì)Faster R-CNN算法對(duì)小尺度兩輪車輛的檢測(cè)存在的漏檢問(wèn)題,本文對(duì)Faster RCNN模型做以下改進(jìn):首先針對(duì)兩輪車輛數(shù)據(jù)集對(duì)錨框的尺寸進(jìn)行修改,其次為了彌補(bǔ)小目標(biāo)細(xì)節(jié)特征的丟失,在提取特征時(shí)將不同卷積層的特征進(jìn)行融合,從而提高模型對(duì)小尺度兩輪車輛的敏感度,提升模型的表達(dá)能力。3.針對(duì)Faster R-CNN算法對(duì)小尺度兩輪車輛... 

【文章來(lái)源】：江西理工大學(xué)江西省

【文章頁(yè)數(shù)】：75 頁(yè)

【學(xué)位級(jí)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(cè)流程如下:(1)通過(guò) SS 方法再待檢測(cè)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(jìn)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(guò)分割算法將圖像進(jìn)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(guò)程，最后整個(gè)圖像會(huì)合并成一個(gè)區(qū)域，然后用外接矩形將每一個(gè)區(qū)域框起來(lái)，這樣就得到了很多包含物體的邊框，對(duì)每一個(gè)框進(jìn)行打分，從而選出候選區(qū)域。執(zhí)行過(guò)程如下：(1) 輸入圖像，然后通過(guò)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(jì)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(cè)方法類器進(jìn)行分類處理，然后再通過(guò)邊框回歸算法對(duì)邊框位置進(jìn)行精修。將本文采集到的真實(shí)交通場(chǎng)景下的兩輪車輛數(shù)據(jù)集在R-CNN模型下進(jìn)行訓(xùn)練，具體的訓(xùn)練步驟如下所示：(1)通過(guò)在數(shù)據(jù)集ImageNet上預(yù)訓(xùn)練的網(wǎng)絡(luò)權(quán)值對(duì)CNN進(jìn)行初始化；(2)通過(guò)本文采集到的真實(shí)交通場(chǎng)景下的兩輪車輛數(shù)據(jù)集,對(duì)初始化好的CNN進(jìn)行微調(diào)。(3)通過(guò)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(jìn)行特征提取，然后將這些提取到的特征保存起來(lái)；(4)將保存的特征輸送到SVM分類器，進(jìn)行分類器訓(xùn)練。將測(cè)試集輸入到訓(xùn)練好的模型中進(jìn)行測(cè)試，效果圖如圖3.6所示。

【參考文獻(xiàn)】：
期刊論文
[1]基于特征光流的多運(yùn)動(dòng)目標(biāo)檢測(cè)跟蹤算法與評(píng)價(jià)[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(cè)[J]. 鄺先驗(yàn),王成坤,許倫輝.  交通運(yùn)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(cè)方法[J]. 楊先鳳,楊燕.  計(jì)算機(jī)工程. 2014(09)
[4]基于改進(jìn)的Adaboost算法和幀差法的車輛檢測(cè)方法[J]. 劉洋,王海暉,向云露,盧培磊.  華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2013(S1)
[5]基于粒子群算法和云模型的車型識(shí)別[J]. 唐朝霞,俞揚(yáng)信,張粵.  微電子學(xué)與計(jì)算機(jī). 2013(11)
[6]基于視頻的車輛檢測(cè)與跟蹤研究進(jìn)展[J]. 錢志明,楊家寬,段連鑫.  中南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2013(S2)
[7]基于視頻的車輛檢測(cè)算法綜述[J]. 張暉,董育寧.  南京郵電大學(xué)學(xué)報(bào)(自然科學(xué)版). 2007(03)



本文編號(hào)：3382606