發(fā)布時間：2022-01-02 05:12

　　在智能交通系統(tǒng)中,兩輪車已成為不可缺少的交通工具。但兩輪車的違規(guī)駕駛尤其是載人不規(guī)范,極易引發(fā)交通事故,所以對兩輪車載人的檢測迫在眉睫。傳統(tǒng)的檢測方法是通過人工提取特征的方式實現(xiàn),并不適用于環(huán)境復(fù)雜的交通場景;而深度學(xué)習(xí)的檢測方法可以自動學(xué)習(xí)不同環(huán)境下的目標特征,泛化能力強,適用于復(fù)雜交通環(huán)境的檢測任務(wù)。本文先采用Faster R-CNN算法對兩輪車和車上乘客進行檢測,再通過車輛跟蹤計數(shù)方法對車流量統(tǒng)計,最后采用Django應(yīng)用框架搭建兩輪車載人檢測及車流量統(tǒng)計平臺,具體的研究內(nèi)容如下:1.兩輪車載人檢測,確定了Faster R-CNN算法作為檢測模型。原始的Fast R-CNN算法對交通圖片中車載人員的檢測效果不佳。主要原因有兩個,一個是乘客頭部的像素尺寸偏小導(dǎo)致檢測算法的漏檢,另一個是車上多名乘客之間存在遮擋也會增加檢測算法的工作難度。針對小尺寸乘客的漏檢,本文參考實驗數(shù)據(jù)集對錨框的尺寸進行修改。針對不同尺寸的目標,檢測模型采用了多特征融合結(jié)構(gòu)。針對重疊度高的乘客存在漏檢現(xiàn)象,Faster RCNN算法選用柔和的非極大值抑制來篩選候選框。最后,實驗驗證了改進的Faster R-CN... 

【文章來源】：江西理工大學(xué)江西省

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【部分圖文】：

Sigmoid函數(shù)圖像

第二章相關(guān)理論11（2）Tanh函數(shù)Tanh函數(shù)是一種雙曲線函數(shù)，函數(shù)表達式見式(2.8)，函數(shù)的曲線圖如圖2.5。當輸入大于零時，函數(shù)值趨向于1；當輸入值小于零時，函數(shù)值趨向于-1。Tanh函數(shù)可以看作在Sigmoid函數(shù)的基礎(chǔ)上，向下平移和伸縮變形得到的。由于函數(shù)值域在-1和+1之間，函數(shù)的均值更接近于零，使得函數(shù)的累計誤差趨向于零，有利于模型快速收斂。()=+(2.8)圖2.5tanh函數(shù)圖像（3）ReLU函數(shù)ReLU函數(shù)是個分段函數(shù)，其表達式見式(2.9)，函數(shù)的曲線圖可參考圖2.6。當輸入小于零時，函數(shù)的輸出為零，函數(shù)的導(dǎo)為零。當輸入大于零時，函數(shù)的輸出等于輸入，函數(shù)的導(dǎo)數(shù)為1。與Sigmoid函數(shù)相比，ReLU函數(shù)有效的解決輸入大于零時梯度消失問題。更重要的是，ReLU函數(shù)表達式中采用的是線性運算，提高了卷積神經(jīng)網(wǎng)絡(luò)更新節(jié)點參數(shù)的效率。因此，ReLU激活函數(shù)被廣泛應(yīng)用于各種深度模型，并在VGG模型上取得了巨大成功。=(0,)(2.9)

第二章相關(guān)理論12圖2.6ReLU函數(shù)圖像2.2.3池化層數(shù)據(jù)經(jīng)過卷積層和激勵層后，輸出的數(shù)據(jù)量幾乎不變。為了壓縮數(shù)據(jù)量，提高模型的運行效率，池化層被引入CNN中。池化層也稱下采樣層，處于兩個的卷積層中間，起到壓縮數(shù)據(jù)量并且保留了數(shù)據(jù)中特征信息[42,43]，從而有效地緩解過擬合的問題。如果輸入的是圖片，池化層通過池化操作不僅壓縮了圖像數(shù)據(jù)量，還保留圖像的重要特征信息。通常的池化操作分為最大值池化、平均值池化和隨機池化。下面詳細介紹這三種池化：（1）最大值池化最大值池化是在操作區(qū)域內(nèi)找出所有數(shù)據(jù)中最大的數(shù)值作為輸出，其操作過程見圖2.7。圖中輸入是4×4的矩陣，最大值池化操作區(qū)域2×2，池化步長為2。最大值池化操作把輸入矩陣切分為4個小矩陣，分別選擇4個小矩陣數(shù)據(jù)中最大值作為結(jié)果輸出，構(gòu)成新的2×2輸出矩陣。通過最大值池化，數(shù)據(jù)量減少了75%，計算量也隨之大幅減少，從而提高模型的運行效率。

【參考文獻】：
期刊論文
[1]井下視頻行人檢測方法[J]. 李現(xiàn)國,李斌,劉宗鵬,馮欣欣,劉曉,宋金水,張磊.  工礦自動化. 2020(02)
[2]改進的SSD紅外圖像行人檢測算法[J]. 劉學(xué),李范鳴,劉士建.  電光與控制. 2020(01)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的行人人頭檢測方法對比研究[J]. 邢志祥,顧凰琳,魏振剛,錢輝,張瑩,汪李金.  安全與環(huán)境工程. 2019(01)
[4]基于深度神經(jīng)網(wǎng)絡(luò)的行人頭部檢測[J]. 陶祝,劉正熙,熊運余,李征.  計算機工程與科學(xué). 2018(08)
[5]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)
[6]改進的Faster RCNN煤礦井下行人檢測算法[J]. 李偉山,衛(wèi)晨,王琳.  計算機工程與應(yīng)用. 2019(04)
[7]基于混合高斯模型與聯(lián)合特征的行人檢測方法[J]. 鄭銳,邵宗凱.  傳感器與微系統(tǒng). 2017(07)
[8]基于YOLO網(wǎng)絡(luò)的行人檢測方法[J]. 高宗,李少波,陳濟楠,李政杰.  計算機工程. 2018(05)
[9]結(jié)合單雙行人DPM模型的交通場景行人檢測[J]. 曾接賢,程瀟.  電子學(xué)報. 2016(11)
[10]基于人頭顏色空間和輪廓信息的行人檢測方法研究[J]. 高春霞,董寶田,王愛麗.  交通運輸系統(tǒng)工程與信息. 2015(04)



本文編號：3563543