基于卷积神经网络的夜间车辆目标检测方法研究

发布时间：2020-07-05 03:11

【摘要】：随着我国城镇化建设进入到快速发展阶段,城市资源浪费一直是一个亟待解决的问题。比如当城市进入到后半夜,街上的车流量变少甚至有的时间段根本没有车辆,但路灯会一直工作,这会造成能源的巨大浪费。通过车流量来进行路灯亮度控制是一个可行的方法。同时我们可以充分利用街道摄像头所获取的视频,通过视频分析进行车流量检测,这种方法不会增加额外的人力财力负担,很有现实意义。随着深度学习研究工作取得了巨大进展,使用卷积神经网络来处理图像问题已经成为一大趋势。本文详细介绍了深度学习网络在目标检测任务中的应用,同时设计和优化了可以用于夜间车辆检测的方案。本文首先对传统的BP神经网络及卷积神经网络进行了介绍,同时对不同的目标检测网络进行了对比,并分析各自的优缺点。考虑到本文研究课题的需求,最终选择了 R-FCN目标检测网络,该网络引入了平移变化特性,非常适宜于目标检测任务。其次为了提高网络检测的速度和精度,我们将AssignParallel机制和Soft-NMS算法应用到R-FCN网络中。AssignParallel机制可以对R-FCN网络的特征提取部分进行压缩。在保证精度的前提下,AssignParallel可以减少模型占有的物理内存,提高网络运行速度。Soft-NMS算法可以解决目标相互遮掩问题,进一步提高网络的检测精度。最后本文对R-FCN网络和Faster RCNN网络在夜间不同时间段的检测效果进行了实验对比,同时对R-FCN网络和Faster-RCNN网络进行了压缩实验,并与原始网络的精度进行了对比,以此来验证AssignParallel机制的可行性。而且本文还对Soft-NMS算法采用不同的参数进行了实验对比。相较于传统的夜间车辆检测算法,本文算法的检测精度更高,所需要的物理资源更少,具有更好的实用性。
【学位授予单位】：杭州电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TP183;U495
【图文】：

输入层,神经元,加权值,隐含层

：：：逡逑图２．邋１邋ＢＰ神经网络结构逡逑如图２．１所示，通常一个Ｌ层的ＢＰ神经网络包含一个输入层（第１层），逡逑一个输出层（第Ｌ层）和若干个隐含层（第２至Ｌ－１层）。逡逑（１）单个神经元数学模型逡逑假设对于第＿／个神经元，接受上一层神经元的输出信号为Ｘ。各层神经元的逡逑参数为％，表示上层的第／个神经元对第此神经元作用的加权值。单个神经元的逡逑输出公式为：逡逑ｏｕｔｊ邋＝邋Ｚｈ；．邋ｉｘｉ邋＋邋ｂ逦（２．１）逡逑其中，６为偏置值。逡逑７逡逑

神经科学,函数波形,中央区域,梯度

．．．逡逑：：：逡逑图２．邋１邋ＢＰ神经网络结构逡逑如图２．１所示，通常一个Ｌ层的ＢＰ神经网络包含一个输入层（第１层），逡逑一个输出层（第Ｌ层）和若干个隐含层（第２至Ｌ－１层）。逡逑（１）单个神经元数学模型逡逑假设对于第＿／个神经元，接受上一层神经元的输出信号为Ｘ。各层神经元的逡逑参数为％，表示上层的第／个神经元对第此神经元作用的加权值。单个神经元的逡逑输出公式为：逡逑ｏｕｔｊ邋＝邋Ｚｈ；．邋ｉｘｉ邋＋邋ｂ逦（２．１）逡逑其中，６为偏置值。逡逑７逡逑

【参考文献】