基于改进的卷积神经网络的违章停车检测

发布时间：2020-07-13 13:44

【摘要】：现如今人们的生活质量随着我国社会经济的快速发展也得到了大大改善,大部分的家庭都选择购买汽车.尽管汽车给出行带来了一些方便,但由于车辆的增多道路也逐渐变得拥挤,交通问题也时常发生,如违章停车问题.本文主要针对日常生活中违章停车的一种违规停车的现象进行研究,这里违规停车是指在街道道路上无停车位的地方乱停.论文的主要内容如下:(1)介绍了卷积神经网络的CNN网络结构、训练过程.紧接着介绍了RCNN到SSD的一系列目标检测算法,对这些算法的结构进行了对比;像Faster RCNN是通过分类与回归俩步实现目标检测,而单步式神经网络SSD是首个将不同分辨率的特征图与先验包围框结合的网络,直接通过回归来实现目标检测,能够达到计算量小,适应性强并且还能保证检测精度.并通过实验进行了验证.(2)单步式神经网络SSD算法虽然能够保证精度和速度,但是对于小目标的检测能力较弱,而日常生活中违章停车的车辆有的可以直接检测而有的因为距离拍摄摄像头太远导致尺寸特别小甚至会有部分遮挡问题,于是对此网络上做了相关改进以方便对小目标进行检测.改进的方法是在SSD中引入转置卷积结构,采用转置卷积将低分辨率高语义信息特征图与高分辨率低语义信息特征图相融合,增加低层特征提取能力,提高了SSD算法的平均精准度.(3)本文基于改进的卷积神经网络的违章停车检测主要由判断目标是否为车辆、判断车辆是否违章停车以及最后的车牌识别这三个环节构成.根据禁停区域像素灰度的变化来判断是否存在运动目标,如果有利用改进的单步式神经网络SSD算法进行检测目标是否为车辆;再根据违章停车依据判定该目标车辆是否违章;最后对检测到的违章车辆进行车牌识别,为使车牌检测与识别结果更加准确首先对上步得到的车牌图像进行一系列的图像预处理操作,随后利用文中介绍的一种新型的端到端训练的网络模型RPnet对该车牌图像进行车牌识别,该模型已经投入道路边停车服务,具有较高的准确性和速度.通过实验结果,本文研究的基于改进的卷积神经网络的车辆违章停车检测方法,给交通管理部门对实时检测带来了便捷,检测准确率也比较高,满足交通部门需求切实可行.
【学位授予单位】：安徽大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TP183;U491.7
【图文】：

网络结构图,卷积,网络结构,下采样

加上同一个激活函数（例如ｓｉｇｍｏｉｄ，邋ｔａｎｈ等）于每个神经元，这样使得网络能够拟合逡逑非线性．深层卷积网络包括一个输入层、多个卷积层和下采样层、多个全连接和一个逡逑输出层，是一种具有多层非线性结构的神经网络模型．如图１所示表示深层卷积网逡逑络的结构．Ｃｌ，邋Ｃ２代表卷积层；Ｓｌ，Ｓ２代表下采样层；最后两层分别为全连接层和输逡逑出层．其中，卷积神经网络的突出特点是在相邻层yL经元之间利用权值共享．卷积神逡逑经网络的整个训练过程分为前向和反向传播．网络结构主要由卷积、下采样以及全逡逑连接组成．逡逑（ＣＩ）逡逑ｉｎ邋魏邋ｖ。逡逑图１卷积yL经网络结构逡逑２．１．１卷积层逡逑卷积层作为提取图像特征的基础

过程图,卷积,过程,特征图

因为网络层数的加深而使参数增加从而导致网络计算复杂化，过拟合的现象也易出逡逑现．因此，在实际应用过程中应该适当选取网络深度、卷积核的大小、特征面数目逡逑及卷积时滑动的步长，从而能减少训练时间获得一个好的训练模型．从图２可以看逡逑出，卷积计算由线性操作和非线性操作这两个步骤进行，（１）线性操作：将Ｋ＊Ｉ＜的卷逡逑积核（也称为滤波器）作为一组连接权值与原始输入图像数据进行卷积操作，再将卷逡逑积核在图像上以步长Ｉ移动进行多次卷积，并对其结果进行加权求和之后再加上偏逡逑置项（２）非线性操作［２３］：将多个输入信号加权求和后作用于一个yL经元，再通过逡逑激活函数／0ｒ），得到输出特征图１具体的计算公式如下⑴逡逑ｉｅＮｊ逡逑式子中，＊表示卷积运算，连接第１层中的第ｊ个特征图和第１－１层中的第ｉ个特征逡逑图的权值参数为，相应的偏置项为％．输入的特征图总数为＜表示第１层逡逑的第ｊ个特征图．先感知到图像的点、线等一些基本的边缘信息

基于改进的卷积神经网络的违章停车检测

图３局部感知逡逑

【相似文献】