發(fā)布時間：2022-07-16 19:23

　　車輛檢測是計算機視覺領域的熱門研究課題,同時也是完善智能交通系統(tǒng)不可或缺的部分。傳統(tǒng)機器學習方法采用人工設計的目標特征,在復雜的應用環(huán)境中,算法魯棒性低、泛化能力弱。而卷積神經(jīng)網(wǎng)絡能自主學習目標特征,面對復雜多變的環(huán)境依然能保證高準確率,因此應用卷積神經(jīng)網(wǎng)絡方法進行車輛檢測受到了廣泛的研究,同時也具有重大意義。本文的研究內容有:（1）分析了采用傳統(tǒng)機器學習方法和卷積神經(jīng)網(wǎng)絡方法的目標檢測算法,隨后重點研究了在目標檢測中具有重要地位的Faster-Rcnn網(wǎng)絡的檢測原理;（2）通過分析常用卷積神經(jīng)網(wǎng)絡參數(shù)量,提出采用參數(shù)量更少的殘差結構或者Inception結構代替VGG16網(wǎng)絡。（3）卷積神經(jīng)網(wǎng)絡深度不斷加深,使得特征圖像尺寸減少,最終導致目標特征損失嚴重,進而出現(xiàn)目標漏檢的情況,而淺層語義信息包含豐富的目標位置信息。提出采用特征融合和多尺度預測的方法來解決該問題。（4）卷積神經(jīng)網(wǎng)絡訓練時間長同時收斂緩慢,為了縮短訓練時間,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。通過將改進后的Faster-Rcnn網(wǎng)絡在KITTI數(shù)據(jù)集上進行實驗,結果表明:（1）采... 

【文章頁數(shù)】：56 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景與意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 傳統(tǒng)目標檢測算法
        1.2.2 基于深度卷積神經(jīng)網(wǎng)絡的目標檢測算法
    1.3 本文主要研究內容與組織結構
        1.3.1 主要研究內容
        1.3.2 本文組織結構
2 卷積神經(jīng)網(wǎng)絡基本原理及分析
    2.1 卷積神經(jīng)網(wǎng)絡基本原理
        2.1.1 卷積神經(jīng)網(wǎng)絡基本結構
        2.1.2 卷積神經(jīng)網(wǎng)絡訓練
    2.2 常見卷積神經(jīng)網(wǎng)絡模型
        2.2.1 ZF網(wǎng)絡
        2.2.2 VGG網(wǎng)絡
        2.2.3 GoogleNet網(wǎng)絡
        2.2.4 殘差網(wǎng)絡
        2.2.5 MobileNets
    2.3 卷積神經(jīng)網(wǎng)絡分析
    2.4 非極大值抑制
    2.5 本章小結
3 改進的Faster-Rcnn目標檢測算法
    3.1 Faster-Rcnn算法原理
        3.1.1 特征提取網(wǎng)絡
        3.1.2 區(qū)域生成網(wǎng)絡
        3.1.3 目標檢測網(wǎng)絡
    3.2 特征提取網(wǎng)絡的選取
    3.3 區(qū)域生成網(wǎng)絡的改進
        3.3.1 特征融合
        3.3.2 錨點尺寸重新設置
        3.3.3 多尺度預測
    3.4 本章小結
4 實驗及結果分析
    4.1 實驗環(huán)境與模型訓練
        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
    4.2 車輛檢測結果分析
        4.2.1 改進特征提取網(wǎng)絡結果分析
        4.2.2 改進區(qū)域生成網(wǎng)絡結果分析
        4.2.3 錨點尺寸重新設置結果分析
    4.3 本章小結
5 總結與展望
    5.1 總結
    5.2 展望
致謝
參考文獻
攻讀碩士學位期間主要研究成果


【參考文獻】：
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.  計算機系統(tǒng)應用. 2019(09)
[2]我國智能交通系統(tǒng)技術發(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. 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.  中國圖象圖形學報. 2007(06)

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

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



本文編號：3663131