車輛檢測在輔助駕駛、交通管理、遙感圖像等方面都有著重要應(yīng)用,隨著近些年車輛的不斷增多,和人們對于車輛檢測技術(shù)需求的不斷提高,車輛檢測已經(jīng)成為目標(biāo)檢測領(lǐng)域的重要研究對象。傳統(tǒng)的目標(biāo)檢測方法可以提高車輛檢測的準(zhǔn)確率,但無法在復(fù)雜場景中取得好的效果,在車輛檢測中存在瓶頸�；谏疃葘W(xué)習(xí)的目標(biāo)檢測方法,使用大量圖像數(shù)據(jù)訓(xùn)練復(fù)雜的網(wǎng)絡(luò)模型,可以提取圖像中更深更有效的目標(biāo)特征,在復(fù)雜場景中的檢測效果優(yōu)于傳統(tǒng)方法,提高了車輛檢測的性能�；谏疃葘W(xué)習(xí)的目標(biāo)檢測方法是研究者們重要的研究課題,并且取得了非常好的研究成果,在今后的研究和應(yīng)用方面都有很大潛力。本文在對車輛檢測和深度學(xué)習(xí)等技術(shù)研究的基礎(chǔ)上,根據(jù)多種場景下的樣本量不同制定不同的算法對車輛進行檢測,為車輛檢測性能的改進提供了新思路,主要研究成果如下:(1)針對深度學(xué)習(xí)車輛檢測方法中的檢測時間和存儲空間問題,我們使用基礎(chǔ)組件為深度可分離卷積(Depthwise Separable Convolution,DSC)的MobileNet特征提取網(wǎng)絡(luò)替代原來Faster R-CNN算法中的VGG網(wǎng)絡(luò),通過改變卷積的過程來減少網(wǎng)絡(luò)卷積中產(chǎn)生的參數(shù)量和計算量。并...

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景和意義
    1.2 研究目標(biāo)
    1.3 國內(nèi)外研究現(xiàn)狀
        1.3.1 光學(xué)圖像目標(biāo)檢測方法
        1.3.2 SAR圖像目標(biāo)檢測方法
    1.4 本文主要的研究工作
    1.5 章節(jié)安排
第二章 卷積神經(jīng)網(wǎng)絡(luò)和稀疏表示理論基礎(chǔ)
    2.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.1.1 卷積層
        2.1.2 池化層
        2.1.3 激活函數(shù)
        2.1.4 全連接層
    2.2 稀疏表示
第三章 基于Faster R-CNN的車輛檢測算法研究
    3.1 引言
    3.2 Faster R-CNN目標(biāo)檢測算法
    3.3 Faster R-CNN算法優(yōu)化
        3.3.1 基于特征提取網(wǎng)絡(luò)的優(yōu)化
        3.3.2 基于RPN網(wǎng)絡(luò)的優(yōu)化
    3.4 基于Faster R-CNN的車輛檢測算法流程
    3.5 實驗環(huán)境和參數(shù)設(shè)置
    3.6 實驗結(jié)果
    3.7 本章小結(jié)
第四章 基于特征融合稀疏表示模型的SAR圖像車輛檢測方法
    4.1 引言
    4.2 基于特征融合稀疏表示模型的SAR圖像車輛檢測方法概述
    4.3 SAR圖像中可疑區(qū)域檢測
        4.3.1 灰度增強
        4.3.2 區(qū)域合并
    4.4 基于多特征融合的目標(biāo)確認(rèn)
    4.5 實驗環(huán)境和參數(shù)設(shè)置
    4.6 實驗結(jié)果
        4.6.1 無融合目標(biāo)檢測
        4.6.2 二值目標(biāo)檢測
        4.6.3 多類別目標(biāo)檢測
    4.7 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻
致謝
攻讀學(xué)位期間的研究成果



本文編號：3778505