【摘要】：科技的發(fā)展,帶動中國現(xiàn)代化進程發(fā)展日新月異,智能交通系統(tǒng)被越來越多的機構關注。車輛目標檢測作為智能交通的主要基礎環(huán)節(jié),受到越來越多研究者的關注。針對復雜的外界環(huán)境,視覺注意機制通過模擬人類視覺構造,能夠聚焦顯著目標區(qū)域而忽視背景信息,以便能夠優(yōu)先處理目標信息。傳統(tǒng)基于人工特征的機器學習方法是使用較多的車輛目標檢測方法,特征的選擇依賴人的經驗,因此對于檢測結果的精度和穩(wěn)定性很難保證。深度學習能夠逐層抽取特征,將底層特征作為輸入,提取到不同層次的語義信息,在圖像分類以及目標檢測中發(fā)揮重要作用。本文主要完成以下工作:1)圖像特征點匹配進行目標檢測應用較為廣泛,單一尺度下圖像的特征點不能充分反映圖像信息,本文提出融合多尺度特征點的匹配算法。將圖像在不同尺度下的特征點進行融合,然后再進行特征點匹配。實驗證明,融合多尺度特征點相比單一尺度下特征點匹配算法具有更高的匹配正確率。視覺注意機制算法能夠排除部分背景信息,減少無關信息的干擾;深度圖像反映位置與空間關系的相關信息,確保提取目標區(qū)域的準確性;通過視覺注意機制得到的顯著圖與深度圖像進行融合獲取更精準的顯著區(qū)域,將得到的顯著區(qū)域進行特征點匹配。實驗證明,該算法在具有較好匹配正確率的同時匹配時間也較短。2)用卷積神經網絡訓練車輛分類器,應用反向傳播算法對網絡參數(shù)進行調整;使用不同的網絡模型Caffe Net、VGGNet、Goo GleNet訓練分類器,并與傳統(tǒng)的機器學習算法SVM、Adaboost以及ANN訓練的分類器進行對比。實驗證明,深度學習相比傳統(tǒng)的機器學習算法具有更高的檢測率;然后采用Selective Search算法將源圖像提取候選區(qū)域,提交給訓練好的模型應用于車輛目標檢測。3)復雜的背景信息對車輛檢測影響很大,首先視覺注意機制能夠把注意力集中在少數(shù)顯著區(qū)域;然后通過圖像的背景先驗和前景先驗信息來提取高質量顯著性區(qū)域,同時采用車輛輪廓信息對顯著區(qū)域進行篩選,以獲取更加精準的顯著區(qū)域;最后,將提取的顯著區(qū)域提交給分類器進行車輛目標檢測。實驗證明,采用視覺注意機制處理后的圖像,相比處理之前在車輛目標檢測的速率上有很大的提升;當外界環(huán)境發(fā)生光照強度、旋轉等變化時仍具有較好的魯棒性。
【學位授予單位】：西安工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：U495;TP391.41
【圖文】：

也就是傳遞過程中的傳遞函數(shù)，b 為偏執(zhí)系數(shù)。圖 2.1 神經元結構的模擬圖2.1.2 深度學習的基本思想深度學習是在人工神經網絡的已有研究上發(fā)展起來的，深度學習通過將底層特征進行組合的方式進而提取到更加高層的特征，從而可以被用來進行分類識別，深度學習其實很早就已經被提出來，但是卻一直沒有收到重視，主要是由于以前深度學習本身存在很多缺陷：（1）深度學習的訓練過程需要大量的數(shù)據集，并且需要為這些數(shù)據集手動進行便簽，這是一個龐大的工作量，對于數(shù)據集的收集也是很麻煩的。（2）當使用的訓練模型層數(shù)較少時，效果不是很理想，相比其他方法有事不是太明顯；當模型層數(shù)較多時，訓練速度太慢，時間成本高。（3）訓練時，容易出現(xiàn)過擬合的現(xiàn)象，調參過程一般需要根據人為經驗來設置，沒有一個固定的模式，參數(shù)很難調到最優(yōu)。（4）計算過程容易局部收斂而不是全局收斂，這就導致得到的是局部最小值而不是全局的最小值。正是由于深度學習的這些缺點，導致在過去的二十多年中，一直沒能得到有效的發(fā)展。直到 Hintou 在前人的基礎上提出了一種新的深度學習框架，相比傳統(tǒng)的模型，該模型具有很強的可行性。相比于傳統(tǒng)的神經網絡模型

圖 2.2 Itti 模型的流程圖，對粗尺度下的特征圖進行差值，轉變?yōu)榕c細尺度同樣大點的減法，由于細尺度能發(fā)現(xiàn)高頻部分（也就是細節(jié)部分度發(fā)現(xiàn)的是低頻部分（圖像的輪廓部分），代表周邊區(qū)域圖像的特征顯著圖。感受野的中央像素點位于金字塔的CS 層，其中S C ，其中 C 2， 3. 4 ， 3 ， 4 。最后圖、12 幅顏色特征顯著圖以及 46 幅朝向特征顯著圖（1圖組、4 個朝向特征圖組）。直方圖對比度的方法，主要針對于自然景象圖像的處理。其他像素的色彩差異來分配的，而且產生的顯著性圖像能為：首先在 RGB 空間量化圖像；然后把圖像有 RGB 空計算出不同的像素和其他的像素點在 Lab 空間上的顏色距的顯著值，目的是減少量化出現(xiàn)的誤差。

【參考文獻】

相關期刊論文 前10條

1 張巧榮;;利用背景先驗的顯著性檢測算法[J];中國圖象圖形學報;2016年02期

2 黃家裕;;認知神經的可塑性:赫布理論的哲學意蘊[J];哲學動態(tài);2015年09期

3 王寶鋒;齊志權;馬國成;陳思忠;;一種基于雷達和機器視覺信息融合的車輛識別方法[J];汽車工程;2015年06期

4 曹家梓;宋愛國;;基于馬爾科夫隨機場的紋理圖像分割方法研究[J];儀器儀表學報;2015年04期

5 劉小明;何忠賀;;城市智能交通系統(tǒng)技術發(fā)展現(xiàn)狀及趨勢[J];自動化博覽;2015年01期

6 許慶;高峰;徐國艷;;基于Haar特征的前車識別算法[J];汽車工程;2013年04期

7 牛文斐;汪西莉;;基于形狀先驗和圖割的彩色圖像分割[J];計算機工程與應用;2015年01期

8 尹春霞;徐德;李成榮;羅楊宇;;基于顯著圖的SIFT特征檢測與匹配[J];計算機工程;2012年16期

9 李穎;鄭芳;陸雪松;高智勇;;基于視覺注意模型的SIFT圖像配準算法研究[J];現(xiàn)代科學儀器;2012年02期

10 孔軍;湯心溢;蔣敏;;多尺度特征提取的雙目視覺匹配[J];計算機工程與應用;2010年33期

相關博士學位論文 前1條

1 王運瓊;車輛識別系統(tǒng)中幾個關鍵技術的研究[D];四川大學;2004年

相關碩士學位論文 前2條

1 王凱;基于圖像邊緣對比的顯著性檢測算法[D];吉林大學;2017年

2 陳云彪;基于視覺注意機制的感興趣目標檢測研究[D];廈門大學;2014年

本文編號：2734591