隨著我國社會(huì)經(jīng)濟(jì)的迅速發(fā)展,機(jī)動(dòng)車數(shù)量增多,停車需求也迅速增加,但是目前的停車管理系統(tǒng)還存在很多局限性,如:智能化程度不夠、效率低下、適用的停車環(huán)境不夠廣泛等。例如目前大量應(yīng)用的車牌識(shí)別,首先它對于大角度復(fù)雜場景下的檢測有困難,其次只適用于具有標(biāo)準(zhǔn)設(shè)備的停車場出入口的檢測,不能應(yīng)用于路邊停車的檢測。當(dāng)下深度學(xué)習(xí)發(fā)展迅速,在多行業(yè)發(fā)揮了重要作用并取得了顯著進(jìn)步,在停車管理領(lǐng)域也有應(yīng)用。目前車輛檢測主要是利用的目標(biāo)檢測算法。在大角度情況下,車輛邊界框之間重疊部分較多,框內(nèi)特征不能準(zhǔn)確代表車輛特征。目前常用的目標(biāo)檢測算法主要提取框內(nèi)特征,不適合大角度情況下的車輛識(shí)別。為了解決該問題,本文設(shè)計(jì)了新的目標(biāo)檢測算法,以下是本文的主要內(nèi)容:1.本文詳細(xì)分析了幾種經(jīng)典的目標(biāo)檢測算法的基本思想及算法特點(diǎn),回顧了目標(biāo)檢測算法的發(fā)展歷程。介紹了幾種常用的基于深度學(xué)習(xí)的目標(biāo)檢測算法,包括Anchor-based類的R-CNN系列、YOLO系列以及Anchor-free類的Corner Net、Center Net等,并且分析了每種算法的優(yōu)缺點(diǎn)。2.針對大角度復(fù)雜情況下的車輛檢測問題,分析了現(xiàn)有目標(biāo)檢測算法的不... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：58 頁

【學(xué)位級別】：碩士

【部分圖文】：

高點(diǎn)視頻中大角度、復(fù)雜場景下的停車圖像

第二章相關(guān)技術(shù)理論基礎(chǔ)9共計(jì)7層。其中卷積層用于提取圖像特征，池化層是對特征圖進(jìn)行特征壓縮，保證圖像有用信息不丟失的情況下降低特征圖的尺寸，減少計(jì)算量，全連接層用于最后的分類或回歸，通過softmax函數(shù)得到該輸入圖像屬于0~9中每個(gè)數(shù)字的概率即為最終的網(wǎng)絡(luò)輸出，其中最大輸出概率值對應(yīng)的數(shù)字就被認(rèn)為是該手寫數(shù)字圖像對應(yīng)的真實(shí)數(shù)字。圖2-1LeNet卷積神經(jīng)網(wǎng)絡(luò)在LeNet之后又陸續(xù)出現(xiàn)了一系列神經(jīng)網(wǎng)絡(luò)框架，包括AlexNet[20]、VGG、GoogleNet[21]、ResNet等等。其中2012年提出的AlexNet神經(jīng)網(wǎng)絡(luò)是當(dāng)年ImageNet比賽分類任務(wù)的冠軍，該網(wǎng)絡(luò)的創(chuàng)新點(diǎn)之一是運(yùn)用ReLU函數(shù)作為CNN的激活函數(shù)，如公式（2-1）所示。ReLU={≥00<0=max(,0)（2-1）ReLU函數(shù)的引用成功解決了此前常用的激活函數(shù)Sigmoid在網(wǎng)絡(luò)較深時(shí)存在的梯度彌散問題，在此后的神經(jīng)網(wǎng)絡(luò)中大部分均使用ReLU作為激活函數(shù)。Sigmoid函數(shù)又叫Logistic函數(shù)，如公式（2-2）所示，將輸出映射到（0,1）之間。梯度彌散是因?yàn)楫?dāng)輸入趨于無窮時(shí)，Sigmoid函數(shù)的梯度會(huì)趨于0。而且Sigmoid函數(shù)輸出恒大于零，導(dǎo)致權(quán)重更新只能朝一個(gè)方向更新，影響收斂速度，導(dǎo)致訓(xùn)練速度慢。()=11+(2-2)以上是AlexNet在激活函數(shù)上的改進(jìn)，其次該網(wǎng)絡(luò)中還使用了Dropout方法，即隨機(jī)忽略一部分神經(jīng)元，避免了模型的過擬合問題。VGG神經(jīng)網(wǎng)絡(luò)突出的特點(diǎn)是拋棄了大的卷積核，只使用較小的卷積核，并且驗(yàn)證了神經(jīng)網(wǎng)絡(luò)越深效果越好。GoogleNet網(wǎng)絡(luò)種提出了Inception模型，在同一層并行使用不同的卷積核對輸入

電子科技大學(xué)碩士學(xué)位論文12圖2-2SelectiveSearch獲取候選區(qū)域示意圖提取候選區(qū)域特征不再使用人為設(shè)定的特征，而是改用神經(jīng)網(wǎng)絡(luò)自動(dòng)提齲該算法首先利用SelectiveSearch算法將圖像中可能存在目標(biāo)的區(qū)域截取出來并歸一化到相同尺寸，其次將這些子區(qū)域輸入到CNN網(wǎng)絡(luò)中，得到候選區(qū)域特征，最后將特征輸入到SVM分類器，得到最后的分類結(jié)果。R-CNN極大的提升了目標(biāo)檢測算法的準(zhǔn)確率，但是其訓(xùn)練和測試的速度特別慢。由于速度問題，該團(tuán)隊(duì)在R-CNN基礎(chǔ)上又相繼提出了FastR-CNN[2]和FasterR-CNN[3]，這一系列算法均屬于Two-stage類目標(biāo)檢測算法，其基本思想都是先從圖像中獲取可能存在目標(biāo)的候選區(qū)域，再在候選區(qū)域的基礎(chǔ)上提取特征并分類回歸，得到目標(biāo)的類別及其邊界框信息，實(shí)現(xiàn)目標(biāo)檢測任務(wù)。下面將簡單介紹FasterR-CNN算法的基本原理。如圖2-3所示，F(xiàn)asterR-CNN算法主要包括四個(gè)步驟。圖2-3FasterRCNN網(wǎng)絡(luò)結(jié)構(gòu)示意圖

【參考文獻(xiàn)】：
期刊論文
[1]國內(nèi)停車場管理系統(tǒng)的現(xiàn)狀與發(fā)展趨勢[J]. 劉文利.  中國新技術(shù)新產(chǎn)品. 2011(01)
[2]城市停車誘導(dǎo)信息系統(tǒng)理論動(dòng)態(tài)研究[J]. 周智勇,陳峻,王煒.  交通運(yùn)輸工程與信息學(xué)報(bào). 2006(01)
[3]先進(jìn)的城市停車誘導(dǎo)系統(tǒng)的研究[J]. 王澤河,樊月珍,毛恩榮.  計(jì)算機(jī)工程與設(shè)計(jì). 2006(02)



本文編號(hào)：3430431