基于Mask R-CNN的街景车辆目标的检测方法研究与应用

发布时间：2020-05-23 16:37

【摘要】：在计算机视觉领域,目标检测是一个非常具有挑战的研究课题,车辆检测作为目标检测的分支,被广泛应用在道路监管、无人驾驶等领域。车辆检测就是将车辆的定位和分类结合起来,利用机器学习和图像处理技术,确定感兴趣的目标区域。传统的车辆检测通过方向梯度直方图和尺度不变特征转换进行特征提取,并将提取的特征输入至分类器。这种采用手工提取特征作为图像表征的方法,难以适应复杂场景的变化,泛化能力差。近年来,随着深度学习的发展,基于卷积神经网络的目标检测算法逐渐成为主流,其优势在于可以根据数据集自动提取特征,而且对形变、光照等变化具有一定程度的不变性。深度学习的应用使车辆检测的精度和速度都获得了改善。然而,目前对于小目标、遮挡、阴影覆盖等场景下的车辆检测仍然存在不足。本论文基于上述分析,依据实际车辆检测的应用场景,研究了基于深度卷积神经网络的车辆检测算法,对其进行了改进,并对数据集进行了预处理,使检测准确率得到了提升,主要工作如下:(1)针对本论文的实际街景场景,为获取最适合的目标检测算法,研究了目前最具代表性的基于卷积神经网络的目标检测算法模型R-CNN、SSPNet、Fast R-CNN、Faster R-CNN、Mask R-CNN等,并将其性能与YOLO、SSD进行了对比和分析,最终选择在含有较多小目标的实际场景中处理效果更好的Mask R-CNN作为本论文的车辆检测算法模型。(2)在对Mask R-CNN算法原理研究的基础上,对其结构进行了改进:设计特征提取的网络结构,通过减少网络层数提高了算法的效率:对候选窗口分类器结构进行设计,采用双线性插值减小了特征提取感兴趣区域时的误差,提高了车辆检测的准确率。同时,对训练的数据集进行预处理——直方图均衡化和图像锐化,使得场景中小目标检测准确率得到提升。(3)本文对250000张图片数据集采用上述方法进行预处理后,对改进后的算法进行了训练,并进行了实际效果测试,结合YOLO测试效果进行了对比。测试结果表明,改进后的Mask R-CNN在不同光照、阴影、以及不同程度、不同部位遮挡等场景下,取得了91.5%、90%、79.4%和78%的准确率,并且在小目标检测上的准确率大大提升,取得了78%的准确率,其效果明显优于YOLO算法,达到了本论文的研究目标。
【图文】：

神经网络,单元,形状边缘

硕士学位论文逡逑ＭＡＳＴＥＲ邋Ｓ邋ＴＨＥＳＩＳ逡逑第二章基于卷积神经网络的目标检测算法介绍逡逑卷积神经网络是专门针对图像识别问题设计的神经网络｜３３ｉ。它通过模仿人类识逡逑别图像的多层过程，从而发现形状边缘和方向，再抽象判定形态（如方形）以及进逡逑一步抽象判定（如判断物体是盒子）。本章将对卷积神经网络的结构、几种常用算逡逑法模型的原理和性能进行阐述，，并选择最适合本论文应用场景的算法模型。逡逑２．１卷积神经网络概述逡逑首先介绍神经网络，单个神经元的结构如下图２．１所示：逡逑

隐含层,神经网络,公式,应用场

法模型的原理和性能进行阐述，并选择最适合本论文应用场景的算法模型。逡逑２．１卷积神经网络概述逡逑首先介绍神经网络，单个神经元的结构如下图２．１所示：逡逑：产逡逑图２．１单个神经网络单元逡逑其对应的公式如下：逡逑ｈｗｈ（ｘ）邋＝邋ｆ｛Ｗ＇ｘ）邋＝邋ｆａ：ＵＷ，ｘ，＋ｂ）逦（２－１）逡逑多个单元组合起来就形成了神经网络模型。下图２．２所示为包含一个隐含层的逡逑yL经网络。逡逑ＬｍｅｒＬ逦Ｌａｙ＇ｅｒＬ＾逡逑图２．２包含一个隐含层的神经网络逡逑其对应的公式如（２－２），类似的，可以拓展到有多个隐含层。逡逑６逡逑
【学位授予单位】：华中师范大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TP183;U495

【参考文献】