發(fā)布時(shí)間：2020-08-09 06:52

【摘要】：隨著國民經(jīng)濟(jì)的快速發(fā)展,汽車保有量持續(xù)增加,社會(huì)所面臨的交通監(jiān)管壓力日益增大,一系列城市交通問題隨之而來,對(duì)國家和個(gè)人造成了不同程度的人力、物力、財(cái)力資源的損失。近幾年,隨著人工智能和大數(shù)據(jù)技術(shù)的興起,為及時(shí)緩解和解決城市交通問題以及因其所造成的負(fù)面影響,我國提出大力推進(jìn)交通監(jiān)管建設(shè)的智能化,針對(duì)問題對(duì)智能交通系統(tǒng)提出了新的需求,對(duì)研究人員提出了新的挑戰(zhàn)。車輛檢測是其中的關(guān)鍵技術(shù)之一,也是部分其它重要技術(shù)的基礎(chǔ),如車流量統(tǒng)計(jì)、車輛跟蹤、車間測距等。在現(xiàn)實(shí)應(yīng)用場景中,車輛檢測需要對(duì)圖像或者視頻幀中出現(xiàn)的車輛進(jìn)行實(shí)時(shí)檢測,并獲得車輛的精確位置。所以,研究一種性能較好的車輛檢測算法具有一定的重要性及意義。傳統(tǒng)的車輛檢測算法主要分為基于建模的前后景分離和基于機(jī)器學(xué)習(xí)的手工特征提取,前者如幀間差分法、光流法、背景差分法等,后者如HOG(Histogram of Oriented Gradients)手工特征提取、DPM(Deformable Parts Model)算法等,這兩類方法往往因?yàn)閷?shí)現(xiàn)過程過于復(fù)雜或易受復(fù)雜外在因素的影響而導(dǎo)致檢測結(jié)果不能滿足真實(shí)場景的需求。目前,基于深度學(xué)習(xí)的檢測技術(shù)發(fā)展迅速,是機(jī)器學(xué)習(xí)的研究熱點(diǎn),在眾多場景均取得了不錯(cuò)的成果。本論文重點(diǎn)研究基于深度學(xué)習(xí)的目標(biāo)檢測算法,并對(duì)其分析,選定了在檢測精度和速度方面均性能較好的SSD(Single Shot Multibox Detector)模型作為基礎(chǔ)模型,提出了一種基于上下文和空間注意力的改進(jìn)模型,并以該模型實(shí)現(xiàn)車輛檢測。本文的主要工作內(nèi)容和創(chuàng)新點(diǎn)如下:1、針對(duì)SSD模型中使用淺層網(wǎng)絡(luò)的特征信息預(yù)測目標(biāo)對(duì)象時(shí)會(huì)缺乏深層語義特征信息這一問題,本文受DSSD(Deconvolutional Single Shot Detector)模型中采用上下文信息融合的啟發(fā)設(shè)計(jì)了連接模塊,并通過實(shí)驗(yàn),提出在SSD的兩個(gè)特定卷積層conv4_3和con5_3之間進(jìn)行上下文融合,通過上下文信息融合,使得SSD模型進(jìn)行預(yù)測時(shí)能夠彌補(bǔ)淺層特征信息的表達(dá)能力,從而提升模型的檢測精度。實(shí)驗(yàn)結(jié)果表明,引入上下文后的模型在數(shù)據(jù)集VOC 2007和VOC 2012上的性能表現(xiàn)更好,檢測精確度提升1.5%。2、針對(duì)不同車輛檢測數(shù)據(jù)圖像可能會(huì)發(fā)生形變以及卷積神經(jīng)網(wǎng)絡(luò)池化層中損失一定的位置特征信息這一問題,本文在SSD模型加入上下文信息融合的基礎(chǔ)上引入空間變換網(wǎng)絡(luò),通過使用其定位網(wǎng)絡(luò)對(duì)SSD模型訓(xùn)練過程中已進(jìn)行數(shù)據(jù)增強(qiáng)的數(shù)據(jù)生成變換參數(shù),進(jìn)一步增強(qiáng)空間不變性,降低數(shù)據(jù)形變所來的偏差,并通過實(shí)驗(yàn)與三種算法進(jìn)行車輛檢測的性能對(duì)比,結(jié)果表明,改進(jìn)模型的性能仍有所提升。
【學(xué)位授予單位】：湘潭大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP391.41;U495
【圖文】：

運(yùn)算的前向神經(jīng)網(wǎng)絡(luò)，是推進(jìn)深度學(xué)習(xí)領(lǐng)域快速發(fā)展的代表算法之一，目前已被有效地應(yīng)用在圖像識(shí)別和分類等領(lǐng)域。在圖像識(shí)別和分類領(lǐng)域其重要的本質(zhì)是進(jìn)行特征提取，而車輛檢測的關(guān)鍵步驟之一是特征提取，所以卷積神經(jīng)網(wǎng)絡(luò)的出現(xiàn)為特征提取提供了有效的解決方式。1990 年 LeCun 等人提出經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)LeNet-5 并將其應(yīng)用于手寫字符分類，推動(dòng)了深度學(xué)習(xí)的發(fā)展，之后研究人員陸續(xù)提出了多種經(jīng)典網(wǎng)絡(luò)模型如 AlexNet[16]、ZFNet[33]、GoogLeNet[34]、VGG-Net[35]等。CNN 的基本模塊包括：卷積層、池化層和全連接層。卷積層的作用主要是利用權(quán)重共享進(jìn)行特征提取，具體地，對(duì)于二維圖像來說，卷積運(yùn)算提取特征的本質(zhì)是用一系列含不同權(quán)重的卷積核與待提取的數(shù)據(jù)進(jìn)行卷積運(yùn)算輸出多張局部特征圖；池化層的作用主要是進(jìn)行特征壓縮，提取主要特征，減少參數(shù)以簡化網(wǎng)絡(luò)訓(xùn)練計(jì)算復(fù)雜度，并且能夠在一定程度上防止出現(xiàn)過擬合，常用的池化方法有隨機(jī)池化、最大值池化及均值池化等；全連接層的作用主要是對(duì)輸出特征向量進(jìn)行分類。下面簡要介紹經(jīng)典的 LeNet-5。

圖 2.3 四種常用的激活函數(shù)如圖 2.3 所示，對(duì)于 Sigmoid 激活函數(shù)，其公式分別如下：( )1=1+exf x 式（2-2）在早期的神經(jīng)網(wǎng)絡(luò)中，Sigmoid 是使用范圍很廣的一類激活函數(shù)，其具備指數(shù)函數(shù)的幾何形狀，并且函數(shù)連續(xù)、光滑、嚴(yán)格單調(diào)，以坐標(biāo)點(diǎn)( 0,0.5 )中心對(duì)稱，是一個(gè)較好的非線性閾值函數(shù)，用它作激活函數(shù)優(yōu)勢明顯，但是不足之處在于其屬于飽和激活函數(shù)，在深度神經(jīng)網(wǎng)絡(luò)中容易出現(xiàn)梯度消失的情況，即利用反向傳播學(xué)習(xí)網(wǎng)絡(luò)時(shí)梯度會(huì)逐層衰減直至梯度趨近于 0，最終使得網(wǎng)絡(luò)難以訓(xùn)練。對(duì)于 Tanh 激活函數(shù)，其公式如下：tanh( )x xx xe exe e =+式（2-3）Tanh 也是一種常見的激活函數(shù)，與 Sigmoid 相比，其優(yōu)點(diǎn)在于輸出均值為

為了找到該車輛的最佳邊界框，需要利用非極大值抑制算法獲得最終檢測結(jié)果。假設(shè)待檢測圖像中存在 M 輛車，則第 i 輛車對(duì)應(yīng)的邊界框的數(shù)量記為( 0)iN ≤ i ≤ M，具體的算法步驟描述如下：1、將第i輛車對(duì)應(yīng)的iN 個(gè)候選邊界框按置信度進(jìn)行排序，記置信度最高的邊界框?yàn)?m；2、取iN 中除 m 外的所有邊界框分別與 m 進(jìn)行 IOU 交并比計(jì)算；3、上述計(jì)算結(jié)果中若 IOU 高于設(shè)定閾值，則認(rèn)為此框與 m 重疊，予以刪除；4、返回第一步，對(duì)下一輛車進(jìn)行同樣的處理；5、循環(huán)至 M 輛車均處理完畢；6、最后剩下的邊界框即為最終的檢測結(jié)果。其中，設(shè)定合適的 IOU 閾值非常重要，閾值設(shè)定過低會(huì)導(dǎo)致目標(biāo)的漏檢，閾值設(shè)定過高會(huì)對(duì)同一車輛產(chǎn)生多個(gè)檢測邊界框。非極大值抑制算法的分步示意圖如圖 2.5 所示：

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 孫志陽;;淺析智能交通中的車輛檢測技術(shù)及發(fā)展[J];居舍;2017年32期

2 張輝;;基于HOG-GentleBoost的車輛檢測方法[J];計(jì)算機(jī)時(shí)代;2018年06期

3 Wikipedia;錢仲興;;世界各國的車輛檢測[J];汽車與安全;2012年12期

4 田曉霞;王家碩;王會(huì)樸;;有限狀態(tài)機(jī)在夜間車輛檢測上的應(yīng)用[J];石家莊鐵道大學(xué)學(xué)報(bào)(自然科學(xué)版);2016年04期

5 蔡英鳳;劉澤;孫曉強(qiáng);陳龍;王海;;基于雙車輛可變形部件模型的車輛檢測方法[J];汽車工程;2017年06期

6 劉東偉;;基于雙車輛可變形部件模型的車輛檢測方法研究[J];南方農(nóng)機(jī);2017年20期

7 曹曉娟;;智能交通系統(tǒng)中車輛檢測方法的研究[J];信息化建設(shè);2015年12期

8 許柏平;周舟平;;手機(jī)在車輛檢測中的應(yīng)用[J];汽車維護(hù)與修理;2013年05期

9 王建強(qiáng);王履程;;基于機(jī)器視覺的隧道車輛檢測系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J];自動(dòng)化與儀器儀表;2015年09期

10 董茜;游宇;;重慶機(jī)動(dòng)車強(qiáng)檢“第一現(xiàn)場”[J];今日重慶;2017年06期

相關(guān)會(huì)議論文 前10條

1 孟超超;鮑泓;;車輛檢測研究綜述[A];中國計(jì)算機(jī)用戶協(xié)會(huì)網(wǎng)絡(luò)應(yīng)用分會(huì)2018年第二十二屆網(wǎng)絡(luò)新技術(shù)與應(yīng)用年會(huì)論文集[C];2018年

2 王忠耀;任青春;王少華;郭春生;;基于紅外視頻的車載行人車輛檢測系統(tǒng)[A];浙江省電子學(xué)會(huì)2013學(xué)術(shù)年會(huì)論文集[C];2013年

3 李舜酩;繆小冬;;視覺車輛檢測方法的研究進(jìn)展及展望[A];2009全國虛擬儀器大會(huì)論文集（二）[C];2009年

4 李鵬飛;趙璽;劉兵;鄒永鋒;;復(fù)雜路況的移動(dòng)車輛檢測與跟蹤方法[A];2018中國汽車工程學(xué)會(huì)年會(huì)論文集[C];2018年

5 吳園;黎寧;劉苗苗;;一種基于快速水平集方法的運(yùn)動(dòng)車輛檢測[A];第十三屆全國圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2006年

6 鄒月嫻;王一言;關(guān)佩;楊華;陳維榮;;復(fù)雜視頻背景中的運(yùn)動(dòng)車輛檢測技術(shù)[A];第四屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議論文集[C];2008年

7 吳嶸;何培宇;徐自勵(lì);段文鋒;劉珂含;;一種去背景的車輛檢測與跟蹤快速算法[A];第十三屆全國信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2007）論文集[C];2007年

8 張有節(jié);蔡曉禹;彭博;李少博;;基于無人機(jī)視頻的車輛檢測與評(píng)價(jià)指標(biāo)研究[A];2017年中國城市交通規(guī)劃年會(huì)論文集[C];2017年

9 高文寶;沙海云;周欣榮;柴干;;高速公路車輛檢測技術(shù)組合應(yīng)用研究[A];第一屆中國智能交通年會(huì)論文集[C];2005年

10 魏東;劉毅;錢俊彥;;桂林機(jī)動(dòng)車遠(yuǎn)程審驗(yàn)系統(tǒng)[A];廣西計(jì)算機(jī)學(xué)會(huì)2012年學(xué)術(shù)年會(huì)論文集[C];2012年

相關(guān)重要報(bào)紙文章 前10條

1 重慶商報(bào)-上游新聞?dòng)浾?嚴(yán)薇;全國首個(gè)國家質(zhì)檢基地初具規(guī)模 “超級(jí)”一體化車輛檢測基地將投用[N];重慶商報(bào);2019年

2 記者 肖劍雄;大小車輛檢測費(fèi)均降20元[N];東莞日?qǐng)?bào);2017年

3 記者 幸笑薇;市人大代表開展“最多跑一次”調(diào)研[N];舟山日?qǐng)?bào);2017年

4 練洪洋;車輛檢測 興利除弊方能有效可靠[N];廣州日?qǐng)?bào);2015年

5 張奇 李小潔;車輛檢測，為何招來怨聲一片[N];檢察日?qǐng)?bào);2002年

6 記者 楊耀青;車輛檢測更加公正透明[N];西安日?qǐng)?bào);2011年

7 鄭利平;湖州車輛檢測科研項(xiàng)目通過鑒定[N];中國交通報(bào);2004年

8 蘇菲;防控疫情，你當(dāng)自律![N];黑龍江日?qǐng)?bào);2020年

9 記者 郭亮廷;認(rèn)真安排部署 保障春節(jié)安全[N];郴州日?qǐng)?bào);2019年

10 通訊員 李金華;銅川政協(xié) 提案破解車輛檢測難[N];各界導(dǎo)報(bào);2015年

相關(guān)博士學(xué)位論文 前10條

1 羅志明;基于卷積神經(jīng)網(wǎng)絡(luò)的交通密度估計(jì)及車輛檢測方法研究[D];廈門大學(xué);2017年

2 蔡磊;部件檢測方法及其在車輛目標(biāo)檢測中的應(yīng)用[D];西北工業(yè)大學(xué);2017年

3 顏?zhàn)?基于深層卷積神經(jīng)網(wǎng)絡(luò)的車輛檢測及屬性分析方法研究[D];中國科學(xué)院大學(xué)(中國科學(xué)院重慶綠色智能技術(shù)研究院);2018年

4 宋俊芳;基于圖像逆投影3D重建的車輛檢測關(guān)鍵技術(shù)研究[D];長安大學(xué);2018年

5 張偉;基于視覺的運(yùn)動(dòng)車輛檢測與跟蹤[D];上海交通大學(xué);2007年

6 王曾敏;小波圖像融合算法及其在視頻車輛檢測系統(tǒng)中的應(yīng)用研究[D];天津大學(xué);2009年

7 諶彤童;基于三維激光雷達(dá)的動(dòng)態(tài)車輛檢測與跟蹤[D];國防科學(xué)技術(shù)大學(xué);2016年

8 徐琨;交通視頻監(jiān)控中的車輛檢測與跟蹤方法研究[D];長安大學(xué);2009年

9 許潔瓊;基于視頻圖像處理的車輛檢測與跟蹤方法研究[D];中國海洋大學(xué);2012年

10 嚴(yán)捷豐;交通視頻監(jiān)控中的車輛檢測與分割方法研究[D];中國科學(xué)技術(shù)大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 彭Ya明;基于上下文和空間注意力的SSD車輛檢測研究[D];湘潭大學(xué);2019年

2 王明亮;基于圖像和激光雷達(dá)融合的車輛檢測研究[D];重慶郵電大學(xué);2019年

3 李X;面向輔助駕駛的全天候燈語識(shí)別技術(shù)研究[D];南京航空航天大學(xué);2019年

4 陶曉力;基于深度特征的航拍車輛檢測[D];南京航空航天大學(xué);2019年

5 許匡正;基于異構(gòu)計(jì)算的車輛檢測與跟蹤研究[D];西安電子科技大學(xué);2019年

6 程文雄;基于多尺度并行網(wǎng)絡(luò)的抗遮擋車輛檢測[D];西安電子科技大學(xué);2019年

7 顧夫挺;基于多傳感器的車輛檢測方法及其可靠性分析[D];浙江工業(yè)大學(xué);2019年

8 宋姚燁;復(fù)雜交通環(huán)境下的車輛檢測算法研究[D];江蘇大學(xué);2019年

9 李鳳;基于電感式磁傳感器的停車位車輛檢測系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D];華中師范大學(xué);2019年

10 黃皓宇;基于Mask R-CNN的街景車輛目標(biāo)的檢測方法研究與應(yīng)用[D];華中師范大學(xué);2019年

本文編號(hào)：2786769