区域卷积神经网络在车辆检测中的应用研究

发布时间：2020-07-23 03:48

【摘要】：车辆检测是智能交通系统中的基础组成部分,解决复杂环境下的车辆检测问题有利于提升整个智能交通系统的鲁棒性。传统的根据人工规则提取特征的车辆检测方法在复杂环境中易受光照、遮挡和形变等因素的影响,泛化能力较差。而区域卷积神经网络及其扩展模型在目标检测任务中具有良好的性能。因此,采用区域卷积神经网络进行车辆检测具有重要意义。本文的主要研究内容如下:1.分析了目前应用广泛的基于深度学习的目标检测方法,重点研究了基于区域卷积神经网络的Faster R-CNN模型以及该模型在车辆检测中的应用。2.针对FasterR-CNN模型在车辆检测应用中存在的两个问题:(1)图像中目标大小不一,小尺寸车辆漏检严重;(2)负样本空间大导致模型判别能力低下。本文对Faster R-CNN模型进行了改进,首先修改锚框尺寸,在特征提取阶段引入多层特征融合策略;其次利用多尺度图像对Faster R-CNN模型进行训练;最后挖掘难负样本,将难负样本加入到训练集中,对模型进行二次训练。3.借助KITTI数据集以及实际环境中采集的数据集来验证改进的Faster R-CNN模型的有效性,并分析了不同锚框尺寸、特征融合层数、训练图像尺度以及难负样本挖掘策略对改进的Faster R-CNN模型检测性能的影响。实验结果表明:(1)基于改进的Faster R-CNN模型的车辆检测方法具有较高的准确率和较快的检测速度;(2)重新设定的锚框尺寸、多层特征融合策略和多尺度训练增加了模型对于小尺寸车辆的检测能力;(3)难负样本挖掘策略能够消除负样本空间大带来的模型判别能力低下的问题。
【学位授予单位】：西安理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：U495;U463.6;TP183
【图文】：

车辆,物体,角距离,实例

（１）大的类内表现差异：针对同类车辆实例而言，通常因为光照条件、拍摄角距离的不同、拍摄设备的抖动或者镜头自身的缺陷以及其他物体的部分遮挡使得的表现特征产生很大的变化，比如远近车辆大小不一等，进而严重影响最终的检如图１－１所示。逡逑图ｉ－ｉ大的类内表现差异逡逑Ｆｉｇ．邋１－１邋Ｌａｒｇｅ邋ｄｉｆｆｅｒｅｎｃｅ邋ｏｆ邋ｐｅｒｆｏｒｍａｎｃｅ邋ｉｎ邋ｉｎｔｒａ－ｃｌａｓｓ逡逑（２）小的类间表现差异：不同类的车辆实例具有一定的相似性，比如公交车和日常生活中也有很多类似车辆的物体，比如货车与收费站台，这些情况都容易如图１－２所示。逡逑

复杂背景

逑（３）背景环境的干扰：当车辆所处的环境较为复杂时，比如暴雨、风沙或者雾霾等逡逑情况，复杂的背景使得图像中的车辆变得不够突出，定位比较困难，如图１－３所示。逡逑图１－３复杂背景环境的干扰逡逑Ｆｉｇ．邋１邋－３邋Ｔｈｅ邋ｉｎｔｅｒｆｅｒｅｎｃｅ邋ｏｆ邋ｃｏｍｐｌｅｘ邋ｂａｃｋｇｒｏｕｎｄ邋ｅｎｖｉｒｏｎｍｅｎｔ逡逑１．２．２深度学习研究现状逡逑２００６年，多伦多大学教授Ｈｉｎｔｏｎ在《Ｓｃｉｅｎｃｅ》上发表的文章ｔ４°］证明了深度神经网逡逑络应用于图像处理等方面的可行性，进而引起了学者们对深度学习的广泛研宄。深度学习逡逑的本质是特征提取，其基本思想是通过数据驱动的方式，使用非线性变换提取能够表达现逡逑实对象或者数据的特征，使得机器可以像人类一样具备分析学习的能力［４］。逡逑近年来，深度学习在图像分类、语音识别和自然语言处理等领域取得了比较优异的成逡逑绩。２０１２年，《Ｔｈｅ邋Ｎｅｗ邋Ｙｏｒｋ邋Ｔｉｍｅｓ》介绍了谷歌大脑项目，这个项目在含有１６０００逡逑个ＣＰＵ核的计算平台上利用无监督的方式对多层神经网络进行训练，使得模型形成对猫逡逑的记忆

过程图,卷积运算,过程,特征图

从图２－２可以看出，卷积计算主要分为两个步骤，第一步是线性操作：通过将原始像数据或者其他低层特征图和一组连接权值（Ａｘ々的卷积核，也称为滤波器）进操作，然后卷积核以步长／在图像上移动进行多次卷积，将多次卷积结果求和之后匕相加；第二步是非线性操作：通过激活函数／（ｘ），得到输出特征图‘。实际上将多个输入信号加权求和作用于一个神经元，然后激活输出的过程。数学计算公式．１）所示：逡逑／逦Ａ逡逑４＝／邋（２．１ＫｉｅＮＪ逦）逡逑，＜表示第／层的第个特征图；况，表示输入的特征图总数，＊表示卷积运算，＜／层中的第＿／个特征图和第／－１层中的第／个特征图之间的连接权值参数，ｇ表示相置。逡逑卷积核在训练之后可以当作是一个特征提取器，不同的卷积核则会提取图像中不同特征。因此可以通过增加卷积核的数量来对图像中的同一个位置提取不同的特征，到不同的特征图，然后将不同的特征图进行组合作为卷积层的输出。这个过程与动处理图像的过程相类似，首先感知到图像的一连串基本的边缘信息（点、线等），

【参考文献】