隨著科技的發(fā)展以及生活水平的提高,目標(biāo)檢測技術(shù)為人們的衣食住行提供了很大的方便,尤其是基于深度學(xué)習(xí)的目標(biāo)檢測算法的發(fā)展,在智能交通、國家安防、軍事、醫(yī)療等領(lǐng)域有著重要的應(yīng)用。航拍車輛檢測技術(shù)是目標(biāo)檢測領(lǐng)域的熱點(diǎn),對交通的管理和事故的處理以及在打擊違法犯罪上發(fā)揮著重要的作用。但是由于檢測場景比較復(fù)雜,檢測目標(biāo)尺寸較小,給目標(biāo)檢測技術(shù)帶了很大的考驗(yàn)。本文以航拍車輛檢測為研究檢測對象,采用YOLO V3算法對其進(jìn)行研究,并且將其與常用的幾種目標(biāo)檢測算法進(jìn)行對比,結(jié)合檢測的準(zhǔn)確度和實(shí)時(shí)性衡量,對YOLO V3算法進(jìn)行改進(jìn)。具體完成的工作如下:針對小目標(biāo)檢測中出現(xiàn)的檢測精度低,誤檢率高等問題,提出了一種改進(jìn)的YOLO V3航拍車輛目標(biāo)檢測算法,YOLO V3算法中的特征融合的思想以及三個(gè)尺度對目標(biāo)進(jìn)行檢測的網(wǎng)絡(luò),對大小目標(biāo)的檢測都比較突出。先是對YOLO V3的網(wǎng)絡(luò)進(jìn)行了改進(jìn),通過步長為4的下采樣操作,融合更深層的特征,建立更細(xì)粒的小目標(biāo)檢測層,然后提出了一種anchor box合理分配的數(shù)學(xué)方法,使得K-means聚類生成的anchor box可以在三個(gè)檢測尺度上合理分配。該方法在VEDAI公... 

【文章來源】：江西理工大學(xué)江西省

【文章頁數(shù)】：66 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

無人的應(yīng)用實(shí)例本文對航拍車輛檢測方法[2]

第二章目標(biāo)檢測算法相關(guān)理論7第二章目標(biāo)檢測算法相關(guān)理論2.1神經(jīng)網(wǎng)絡(luò)理論概述2.1.1全連接網(wǎng)絡(luò)模型當(dāng)網(wǎng)絡(luò)層數(shù)和參數(shù)量較少時(shí)，一般會(huì)用上全連接網(wǎng)絡(luò)，網(wǎng)絡(luò)模型包含了輸入層、隱藏層和輸出層，各層的節(jié)點(diǎn)數(shù)及結(jié)構(gòu)如圖2.1所示。圖2.1全連接神經(jīng)網(wǎng)絡(luò)圖2.1中是一個(gè)全連接神經(jīng)網(wǎng)絡(luò)示意圖，其計(jì)算過程如下：第一層：111][][][=b+xWz，）（]1[]1[zσ=a，x為整個(gè)網(wǎng)絡(luò)的輸入值向量，]1[a是輸入層的運(yùn)算經(jīng)過激活函數(shù)得到的特征向量，]1[z是經(jīng)過輸入層的運(yùn)算沒有經(jīng)過激活函數(shù)時(shí)的向量，]1[W為權(quán)重矩陣，]1[b是神經(jīng)網(wǎng)絡(luò)里面常說的偏置。第二層：2122][][][][=b+aWz，）（]2[]2[zσ=a，]1[a為網(wǎng)絡(luò)的輸入值向量，是第一層的運(yùn)算經(jīng)過激活函數(shù)得到的特征向量，]2[z是]2[a經(jīng)過第一層的運(yùn)算沒有經(jīng)過激活函數(shù)時(shí)的向量，]2[W為第一層權(quán)重矩陣，]2[b是第一層的偏置。雖然淺層的全連接神經(jīng)網(wǎng)絡(luò)在處理一些問題時(shí)，比如房價(jià)的預(yù)測等問題上，有很好的建模能力，但是如果是對于三維的圖片來說就顯得參數(shù)異常的多，導(dǎo)致訓(xùn)練難以收斂，甚至衰弱。如圖2.2是一張64×64×3的三通道彩色圖片，將它輸入進(jìn)全連接神經(jīng)網(wǎng)絡(luò)，進(jìn)行圖像識(shí)別任務(wù)。

第二章目標(biāo)檢測算法相關(guān)理論8圖2.2用于圖片識(shí)別的全連接網(wǎng)絡(luò)示意圖對于圖2.2的三通道彩色圖片來說，可以將每個(gè)像素點(diǎn)展開，輸入到全連接神經(jīng)網(wǎng)絡(luò)中，例如輸入一張64×64×3的圖片，展開后是64×64×3=12288，可以把它看成是一個(gè)1×12288的特征向量，圖2.2中的第一個(gè)隱層也是12288個(gè)節(jié)點(diǎn)，此時(shí)權(quán)重矩陣就應(yīng)該是12288×12288=150994944個(gè)參數(shù)，大約是1.5億參數(shù)，輸入一個(gè)小尺寸圖片，參數(shù)量就達(dá)到了1.5億左右。綜上所述，全連接網(wǎng)絡(luò)在處理分辨率較大的三通道圖片時(shí)，網(wǎng)絡(luò)模型參數(shù)過大，不利于模型的訓(xùn)練。2.1.2卷積神經(jīng)網(wǎng)絡(luò)模型上一節(jié)解了全連接層的前向傳播過程，以及了解到了它的一些局限性。卷積神經(jīng)網(wǎng)絡(luò)的產(chǎn)生，全連接神經(jīng)網(wǎng)絡(luò)的參數(shù)太大問題得到了很好的解決。比如在手寫數(shù)字識(shí)別上，手寫數(shù)字識(shí)別是第一個(gè)卷積神經(jīng)網(wǎng)絡(luò)，它是由YannLeCun等人在1989年提出來的，命名LeNet[37]網(wǎng)絡(luò)。圖2.3LetNet-5網(wǎng)絡(luò)結(jié)構(gòu)示意圖

【參考文獻(xiàn)】：
期刊論文
[1]光流法和顯著性相結(jié)合的動(dòng)態(tài)背景下運(yùn)動(dòng)目標(biāo)檢測方法[J]. 黃鋒,易嘉聞,吳健輝,何偉,李武勁,歐先鋒.  成都工業(yè)學(xué)院學(xué)報(bào). 2020(01)
[2]基于深度學(xué)習(xí)的目標(biāo)檢測技術(shù)的研究綜述[J]. 羅元,王薄宇,陳旭.  半導(dǎo)體光電. 2020(01)
[3]結(jié)合深度學(xué)習(xí)與支持向量機(jī)的金屬零件識(shí)別[J]. 鄭健紅,鮑官軍,張立彬,荀一,陳教料.  中國圖象圖形學(xué)報(bào). 2019(12)
[4]基于背景差分法和幀間差分法的車輛運(yùn)動(dòng)目標(biāo)檢測[J]. 羅敏,劉洞波,文浩軒,陳鑫海,宋丹.  湖南工程學(xué)院學(xué)報(bào)(自然科學(xué)版). 2019(04)
[5]基于深度學(xué)習(xí)的車輛檢測[J]. 時(shí)文忠,王忠榮.  中國公共安全. 2019(12)
[6]基于OverFeat模型的長江口南匯潮灘植被分類[J]. 李靜,韓震,王文柳,崔艷榮.  生態(tài)科學(xué). 2019(04)
[7]基于深度學(xué)習(xí)的零件實(shí)例分割識(shí)別研究[J]. 黃海松,魏中雨,姚立國.  組合機(jī)床與自動(dòng)化加工技術(shù). 2019(05)
[8]改進(jìn)的YOLO V3算法及其在小目標(biāo)檢測中的應(yīng)用[J]. 鞠默然,羅海波,王仲博,何淼,常錚,惠斌.  光學(xué)學(xué)報(bào). 2019(07)
[9]特征金字塔多尺度全卷積目標(biāo)檢測算法[J]. 林志潔,羅壯,趙磊,魯東明.  浙江大學(xué)學(xué)報(bào)(工學(xué)版). 2019(03)
[10]背景幀間差分法的移動(dòng)目標(biāo)跟蹤研究[J]. 黃金海.  中國儀器儀表. 2019(01)

碩士論文
[1]航空影像下小車輛的快速定向檢測算法設(shè)計(jì)[D]. 許楠.江西理工大學(xué) 2019
[2]基于隨機(jī)梯度下降的神經(jīng)網(wǎng)絡(luò)權(quán)重優(yōu)化算法[D]. 張晉晶.西南大學(xué) 2018
[3]基于HOG特征提取的車輛檢測方法研究[D]. 劉家旭.華北電力大學(xué) 2017



本文編號(hào)：2922001