当前位置:主页 > 科技论文 > 路桥论文 >

基于上下文和空间注意力的SSD车辆检测研究

发布时间:2020-08-09 06:52
【摘要】:随着国民经济的快速发展,汽车保有量持续增加,社会所面临的交通监管压力日益增大,一系列城市交通问题随之而来,对国家和个人造成了不同程度的人力、物力、财力资源的损失。近几年,随着人工智能和大数据技术的兴起,为及时缓解和解决城市交通问题以及因其所造成的负面影响,我国提出大力推进交通监管建设的智能化,针对问题对智能交通系统提出了新的需求,对研究人员提出了新的挑战。车辆检测是其中的关键技术之一,也是部分其它重要技术的基础,如车流量统计、车辆跟踪、车间测距等。在现实应用场景中,车辆检测需要对图像或者视频帧中出现的车辆进行实时检测,并获得车辆的精确位置。所以,研究一种性能较好的车辆检测算法具有一定的重要性及意义。传统的车辆检测算法主要分为基于建模的前后景分离和基于机器学习的手工特征提取,前者如帧间差分法、光流法、背景差分法等,后者如HOG(Histogram of Oriented Gradients)手工特征提取、DPM(Deformable Parts Model)算法等,这两类方法往往因为实现过程过于复杂或易受复杂外在因素的影响而导致检测结果不能满足真实场景的需求。目前,基于深度学习的检测技术发展迅速,是机器学习的研究热点,在众多场景均取得了不错的成果。本论文重点研究基于深度学习的目标检测算法,并对其分析,选定了在检测精度和速度方面均性能较好的SSD(Single Shot Multibox Detector)模型作为基础模型,提出了一种基于上下文和空间注意力的改进模型,并以该模型实现车辆检测。本文的主要工作内容和创新点如下:1、针对SSD模型中使用浅层网络的特征信息预测目标对象时会缺乏深层语义特征信息这一问题,本文受DSSD(Deconvolutional Single Shot Detector)模型中采用上下文信息融合的启发设计了连接模块,并通过实验,提出在SSD的两个特定卷积层conv4_3和con5_3之间进行上下文融合,通过上下文信息融合,使得SSD模型进行预测时能够弥补浅层特征信息的表达能力,从而提升模型的检测精度。实验结果表明,引入上下文后的模型在数据集VOC 2007和VOC 2012上的性能表现更好,检测精确度提升1.5%。2、针对不同车辆检测数据图像可能会发生形变以及卷积神经网络池化层中损失一定的位置特征信息这一问题,本文在SSD模型加入上下文信息融合的基础上引入空间变换网络,通过使用其定位网络对SSD模型训练过程中已进行数据增强的数据生成变换参数,进一步增强空间不变性,降低数据形变所来的偏差,并通过实验与三种算法进行车辆检测的性能对比,结果表明,改进模型的性能仍有所提升。
【学位授予单位】:湘潭大学
【学位级别】:硕士
【学位授予年份】:2019
【分类号】:TP391.41;U495
【图文】:

网络结构图,网络结构


运算的前向神经网络,是推进深度学习领域快速发展的代表算法之一,目前已被有效地应用在图像识别和分类等领域。在图像识别和分类领域其重要的本质是进行特征提取,而车辆检测的关键步骤之一是特征提取,所以卷积神经网络的出现为特征提取提供了有效的解决方式。1990 年 LeCun 等人提出经典卷积神经网络LeNet-5 并将其应用于手写字符分类,推动了深度学习的发展,之后研究人员陆续提出了多种经典网络模型如 AlexNet[16]、ZFNet[33]、GoogLeNet[34]、VGG-Net[35]等。CNN 的基本模块包括:卷积层、池化层和全连接层。卷积层的作用主要是利用权重共享进行特征提取,具体地,对于二维图像来说,卷积运算提取特征的本质是用一系列含不同权重的卷积核与待提取的数据进行卷积运算输出多张局部特征图;池化层的作用主要是进行特征压缩,提取主要特征,减少参数以简化网络训练计算复杂度,并且能够在一定程度上防止出现过拟合,常用的池化方法有随机池化、最大值池化及均值池化等;全连接层的作用主要是对输出特征向量进行分类。下面简要介绍经典的 LeNet-5。

几何形状,激活函数,公式


图 2.3 四种常用的激活函数如图 2.3 所示,对于 Sigmoid 激活函数,其公式分别如下:( )1=1+exf x 式(2-2)在早期的神经网络中,Sigmoid 是使用范围很广的一类激活函数,其具备指数函数的几何形状,并且函数连续、光滑、严格单调,以坐标点( 0,0.5 )中心对称,是一个较好的非线性阈值函数,用它作激活函数优势明显,但是不足之处在于其属于饱和激活函数,在深度神经网络中容易出现梯度消失的情况,即利用反向传播学习网络时梯度会逐层衰减直至梯度趋近于 0,最终使得网络难以训练。对于 Tanh 激活函数,其公式如下:tanh( )x xx xe exe e =+式(2-3)Tanh 也是一种常见的激活函数,与 Sigmoid 相比,其优点在于输出均值为

示意图,算法,边界框,示意图


为了找到该车辆的最佳边界框,需要利用非极大值抑制算法获得最终检测结果。假设待检测图像中存在 M 辆车,则第 i 辆车对应的边界框的数量记为( 0)iN ≤ i ≤ M,具体的算法步骤描述如下:1、将第i辆车对应的iN 个候选边界框按置信度进行排序,记置信度最高的边界框为 m;2、取iN 中除 m 外的所有边界框分别与 m 进行 IOU 交并比计算;3、上述计算结果中若 IOU 高于设定阈值,则认为此框与 m 重叠,予以删除;4、返回第一步,对下一辆车进行同样的处理;5、循环至 M 辆车均处理完毕;6、最后剩下的边界框即为最终的检测结果。其中,设定合适的 IOU 阈值非常重要,阈值设定过低会导致目标的漏检,阈值设定过高会对同一车辆产生多个检测边界框。非极大值抑制算法的分步示意图如图 2.5 所示:

【相似文献】

相关期刊论文 前10条

1 孙志阳;;浅析智能交通中的车辆检测技术及发展[J];居舍;2017年32期

2 张辉;;基于HOG-GentleBoost的车辆检测方法[J];计算机时代;2018年06期

3 Wikipedia;钱仲兴;;世界各国的车辆检测[J];汽车与安全;2012年12期

4 田晓霞;王家硕;王会朴;;有限状态机在夜间车辆检测上的应用[J];石家庄铁道大学学报(自然科学版);2016年04期

5 蔡英凤;刘泽;孙晓强;陈龙;王海;;基于双车辆可变形部件模型的车辆检测方法[J];汽车工程;2017年06期

6 刘东伟;;基于双车辆可变形部件模型的车辆检测方法研究[J];南方农机;2017年20期

7 曹晓娟;;智能交通系统中车辆检测方法的研究[J];信息化建设;2015年12期

8 许柏平;周舟平;;手机在车辆检测中的应用[J];汽车维护与修理;2013年05期

9 王建强;王履程;;基于机器视觉的隧道车辆检测系统设计与实现[J];自动化与仪器仪表;2015年09期

10 董茜;游宇;;重庆机动车强检“第一现场”[J];今日重庆;2017年06期

相关会议论文 前10条

1 孟超超;鲍泓;;车辆检测研究综述[A];中国计算机用户协会网络应用分会2018年第二十二届网络新技术与应用年会论文集[C];2018年

2 王忠耀;任青春;王少华;郭春生;;基于红外视频的车载行人车辆检测系统[A];浙江省电子学会2013学术年会论文集[C];2013年

3 李舜酩;缪小冬;;视觉车辆检测方法的研究进展及展望[A];2009全国虚拟仪器大会论文集(二)[C];2009年

4 李鹏飞;赵玺;刘兵;邹永锋;;复杂路况的移动车辆检测与跟踪方法[A];2018中国汽车工程学会年会论文集[C];2018年

5 吴园;黎宁;刘苗苗;;一种基于快速水平集方法的运动车辆检测[A];第十三届全国图象图形学学术会议论文集[C];2006年

6 邹月娴;王一言;关佩;杨华;陈维荣;;复杂视频背景中的运动车辆检测技术[A];第四届和谐人机环境联合学术会议论文集[C];2008年

7 吴嵘;何培宇;徐自励;段文锋;刘珂含;;一种去背景的车辆检测与跟踪快速算法[A];第十三届全国信号处理学术年会(CCSP-2007)论文集[C];2007年

8 张有节;蔡晓禹;彭博;李少博;;基于无人机视频的车辆检测与评价指标研究[A];2017年中国城市交通规划年会论文集[C];2017年

9 高文宝;沙海云;周欣荣;柴干;;高速公路车辆检测技术组合应用研究[A];第一届中国智能交通年会论文集[C];2005年

10 魏东;刘毅;钱俊彦;;桂林机动车远程审验系统[A];广西计算机学会2012年学术年会论文集[C];2012年

相关重要报纸文章 前10条

1 重庆商报-上游新闻记者 严薇;全国首个国家质检基地初具规模 “超级”一体化车辆检测基地将投用[N];重庆商报;2019年

2 记者 肖剑雄;大小车辆检测费均降20元[N];东莞日报;2017年

3 记者 幸笑薇;市人大代表开展“最多跑一次”调研[N];舟山日报;2017年

4 练洪洋;车辆检测 兴利除弊方能有效可靠[N];广州日报;2015年

5 张奇 李小洁;车辆检测,为何招来怨声一片[N];检察日报;2002年

6 记者 杨耀青;车辆检测更加公正透明[N];西安日报;2011年

7 郑利平;湖州车辆检测科研项目通过鉴定[N];中国交通报;2004年

8 苏菲;防控疫情,你当自律![N];黑龙江日报;2020年

9 记者 郭亮廷;认真安排部署 保障春节安全[N];郴州日报;2019年

10 通讯员 李金华;铜川政协 提案破解车辆检测难[N];各界导报;2015年

相关博士学位论文 前10条

1 罗志明;基于卷积神经网络的交通密度估计及车辆检测方法研究[D];厦门大学;2017年

2 蔡磊;部件检测方法及其在车辆目标检测中的应用[D];西北工业大学;2017年

3 颜卓;基于深层卷积神经网络的车辆检测及属性分析方法研究[D];中国科学院大学(中国科学院重庆绿色智能技术研究院);2018年

4 宋俊芳;基于图像逆投影3D重建的车辆检测关键技术研究[D];长安大学;2018年

5 张伟;基于视觉的运动车辆检测与跟踪[D];上海交通大学;2007年

6 王曾敏;小波图像融合算法及其在视频车辆检测系统中的应用研究[D];天津大学;2009年

7 谌彤童;基于三维激光雷达的动态车辆检测与跟踪[D];国防科学技术大学;2016年

8 徐琨;交通视频监控中的车辆检测与跟踪方法研究[D];长安大学;2009年

9 许洁琼;基于视频图像处理的车辆检测与跟踪方法研究[D];中国海洋大学;2012年

10 严捷丰;交通视频监控中的车辆检测与分割方法研究[D];中国科学技术大学;2008年

相关硕士学位论文 前10条

1 彭Ya明;基于上下文和空间注意力的SSD车辆检测研究[D];湘潭大学;2019年

2 王明亮;基于图像和激光雷达融合的车辆检测研究[D];重庆邮电大学;2019年

3 李X;面向辅助驾驶的全天候灯语识别技术研究[D];南京航空航天大学;2019年

4 陶晓力;基于深度特征的航拍车辆检测[D];南京航空航天大学;2019年

5 许匡正;基于异构计算的车辆检测与跟踪研究[D];西安电子科技大学;2019年

6 程文雄;基于多尺度并行网络的抗遮挡车辆检测[D];西安电子科技大学;2019年

7 顾夫挺;基于多传感器的车辆检测方法及其可靠性分析[D];浙江工业大学;2019年

8 宋姚烨;复杂交通环境下的车辆检测算法研究[D];江苏大学;2019年

9 李凤;基于电感式磁传感器的停车位车辆检测系统设计与实现[D];华中师范大学;2019年

10 黄皓宇;基于Mask R-CNN的街景车辆目标的检测方法研究与应用[D];华中师范大学;2019年



本文编号:2786769

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/daoluqiaoliang/2786769.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户c98d6***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com