車輛檢測是計算機(jī)視覺領(lǐng)域的熱門研究課題,同時也是完善智能交通系統(tǒng)不可或缺的部分。傳統(tǒng)機(jī)器學(xué)習(xí)方法采用人工設(shè)計的目標(biāo)特征,在復(fù)雜的應(yīng)用環(huán)境中,算法魯棒性低、泛化能力弱。而卷積神經(jīng)網(wǎng)絡(luò)能自主學(xué)習(xí)目標(biāo)特征,面對復(fù)雜多變的環(huán)境依然能保證高準(zhǔn)確率,因此應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)方法進(jìn)行車輛檢測受到了廣泛的研究,同時也具有重大意義。本文的研究內(nèi)容有:（1）分析了采用傳統(tǒng)機(jī)器學(xué)習(xí)方法和卷積神經(jīng)網(wǎng)絡(luò)方法的目標(biāo)檢測算法,隨后重點研究了在目標(biāo)檢測中具有重要地位的Faster-Rcnn網(wǎng)絡(luò)的檢測原理;（2）通過分析常用卷積神經(jīng)網(wǎng)絡(luò)參數(shù)量,提出采用參數(shù)量更少的殘差結(jié)構(gòu)或者Inception結(jié)構(gòu)代替VGG16網(wǎng)絡(luò)。（3）卷積神經(jīng)網(wǎng)絡(luò)深度不斷加深,使得特征圖像尺寸減少,最終導(dǎo)致目標(biāo)特征損失嚴(yán)重,進(jìn)而出現(xiàn)目標(biāo)漏檢的情況,而淺層語義信息包含豐富的目標(biāo)位置信息。提出采用特征融合和多尺度預(yù)測的方法來解決該問題。（4）卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練時間長同時收斂緩慢,為了縮短訓(xùn)練時間,對車輛數(shù)據(jù)集中的樣本采用K-Means算法聚類重新生成適用于車輛的錨點尺寸。通過將改進(jìn)后的Faster-Rcnn網(wǎng)絡(luò)在KITTI數(shù)據(jù)集上進(jìn)行實驗,結(jié)果表明:（1）采... 

【文章頁數(shù)】：56 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 傳統(tǒng)目標(biāo)檢測算法
        1.2.2 基于深度卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測算法
    1.3 本文主要研究內(nèi)容與組織結(jié)構(gòu)
        1.3.1 主要研究內(nèi)容
        1.3.2 本文組織結(jié)構(gòu)
2 卷積神經(jīng)網(wǎng)絡(luò)基本原理及分析
    2.1 卷積神經(jīng)網(wǎng)絡(luò)基本原理
        2.1.1 卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)
        2.1.2 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練
    2.2 常見卷積神經(jīng)網(wǎng)絡(luò)模型
        2.2.1 ZF網(wǎng)絡(luò)
        2.2.2 VGG網(wǎng)絡(luò)
        2.2.3 GoogleNet網(wǎng)絡(luò)
        2.2.4 殘差網(wǎng)絡(luò)
        2.2.5 MobileNets
    2.3 卷積神經(jīng)網(wǎng)絡(luò)分析
    2.4 非極大值抑制
    2.5 本章小結(jié)
3 改進(jìn)的Faster-Rcnn目標(biāo)檢測算法
    3.1 Faster-Rcnn算法原理
        3.1.1 特征提取網(wǎng)絡(luò)
        3.1.2 區(qū)域生成網(wǎng)絡(luò)
        3.1.3 目標(biāo)檢測網(wǎng)絡(luò)
    3.2 特征提取網(wǎng)絡(luò)的選取
    3.3 區(qū)域生成網(wǎng)絡(luò)的改進(jìn)
        3.3.1 特征融合
        3.3.2 錨點尺寸重新設(shè)置
        3.3.3 多尺度預(yù)測
    3.4 本章小結(jié)
4 實驗及結(jié)果分析
    4.1 實驗環(huán)境與模型訓(xùn)練
        4.1.1 硬件配置
        4.1.2 KITTI數(shù)據(jù)集
        4.1.3 性能評價指標(biāo)
    4.2 車輛檢測結(jié)果分析
        4.2.1 改進(jìn)特征提取網(wǎng)絡(luò)結(jié)果分析
        4.2.2 改進(jìn)區(qū)域生成網(wǎng)絡(luò)結(jié)果分析
        4.2.3 錨點尺寸重新設(shè)置結(jié)果分析
    4.3 本章小結(jié)
5 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間主要研究成果


【參考文獻(xiàn)】：
期刊論文
[1]基于多級特征整合的圖像語義分割研究[J]. 徐天宇,孟朝暉.  計算機(jī)系統(tǒng)應(yīng)用. 2019(09)
[2]我國智能交通系統(tǒng)技術(shù)發(fā)展現(xiàn)狀及展望[J]. 金茂菁.  交通信息與安全. 2012(05)
[3]K-means算法研究綜述[J]. 吳夙慧,成穎,鄭彥寧,潘云濤.  現(xiàn)代圖書情報技術(shù). 2011(05)
[4]基于交叉熵的數(shù)字圖像置亂程度評價方法[J]. 陳燕梅,張勝元.  中國圖象圖形學(xué)報. 2007(06)

博士論文
[1]基于深度學(xué)習(xí)的圖像分類[D]. 孫煒晨.北京郵電大學(xué) 2017
[2]圖像感興趣區(qū)域提取方法研究[D]. 陳再良.中南大學(xué) 2012

碩士論文
[1]云環(huán)境下監(jiān)控視頻結(jié)構(gòu)化分析方法研究與實現(xiàn)[D]. 趙曉萌.北京郵電大學(xué) 2015



本文編號：3663131