改进YOLOv3的交通车辆检测

发布时间：2021-02-11 11:51

　　随着经济和科技的发展城市车辆数量不断上涨,智能交通系统开始逐渐应用到人们的日常生活中。现代化城市交通中,视频监控覆盖了大部分的行车区域,基于计算机视觉深度学习的车辆检测方法可广泛应用于交通视频图像这一场景。但在现实场景的应用中现有的目标检测方法的精准度仍然无法满足实际的需求,因此如何实现复杂环境下精准的车辆检测对智能交通有着重大的研究意义。本文对城市交通场景下的车辆检测问题进行研究,提出了改进YOLOv3的交通车辆检测方法,并在本文提出的数据增广后的KITTI交通车辆数据集上进行训练。本文在数据增广方法的研究上,提出了将混合数据增广和CutMix数据增广用于目标检测数据集的方法,并应用于车辆类别筛选后的KITTI车辆数据集。通过实验得出结论CutMix数据增广为KITTI数据集的最佳数据增广方法,作为本文构建的训练数据集。本文在目标检测算法研究方面,对YOLOv3目标检测模型进行了改进用于车辆检测。改进分为两点,首先,借鉴了可变形卷积网络（Deformable Convolutional Networks,DCN）的思想,对YOLOv3原始的Darknet-53主干网络结构进行优化,在... 

【文章来源】：青岛大学山东省

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

卷积神经网路的循环结构

青岛大学硕士学位论文8图2.2卷积运算过程根据卷积的运算规定，当输入图像大小为n×n，填充长度为p，卷积核大小为f，步长为s时，计算输出特征图大小的公式为：2-(1)而通常情况下，输入图像和卷积核都不是1维度的，当卷积核有多个维度时，每个维度的卷积核要与输入特征图的所有维度做卷积运算然后全部累加在一起，从而得到输出特征图的一个维度。卷积层相对与其他特征提取层的优势在于，输出层所有维度的值都是通过一个卷积核来完成计算的，这是一种共享权值的思想，不管是在神经网络前向传播还是训练中的反向传播优化过程，都极大地减少了神经网络的计算量。在卷积神经网络训练时，仅需要对卷积核内的值进行更新就可以加强卷积层的特征表达能力。2.1.2池化层在卷积层之后，通常下一步操作通常是用一个池化层进行降采样。在高维度的特征图中，如果不进行池化层的计算直接将多次卷积后的特征图输入全连层进行分类操作，参数量是非常巨大的，而且还有很多无用的且没有代表性的特征值没有丢弃，使得神经网络表达能力差且运行缓慢。池化层的作用就是丢弃无用特征信息，通常使用的池化操作有两种，最大池化层和平均池化层。经过研究人员实验证明最大池化的效果较平均池化要好，所以现在深度学习模型中多使用最大池化。如图2.4所示，例如有一个4×4的特征图，设置池化层超参数大小为2×2，池化步长为2，经过计算就会得到右边2×2的特征图。outsize=(nf+2p)/s+1

青岛大学硕士学位论文9图2.4最大池化过程通过图2.4的运算过程过程可以看出，特征图缩小为原来的1/2，是一个降采样的过程。根据科研人员的经验，可以总结出池化层具有以下意义：降低特征图大小，提取有代表性的特征值，能从根本上减少参数的数量，防止过拟合。池化还能够提供旋转和平移的不变性，即使对一个池化区域做旋转还是平移操作，最大池化或是平均池化的输出结果都是不变的。2.1.3激活函数仅通过卷积层和池化层，神经网络的本质还是一个线性的模型，而深度学习模型解决的问题的通常是非线性问题，因此要在模型中引入激活函数，把卷积层池化层输出的线性特通过激活函数映射出来，变成一个非线性的模型，增加模型的表达能力。经典的激活函数sigmoid，如图2.5所示，数学表达式为11(x)xeS+=，输出范围为(0,1)，将输入的值进行0到1的映射，这个函数易于理解但反向传播时求导的计算量较大，而且当输出值过大或过小时，函数的导数接近于0，神经网络的参数几乎不会更新，导致反向传播时会出现梯度消失[34]的情况。图2.5sigmoid函数曲线

【参考文献】：
期刊论文
[1]基于YOLO＿v2模型的车辆实时检测[J]. 黎洲,黄妙华.  中国机械工程. 2018(15)
[2]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)
[3]基于YOLO算法的车辆实时检测[J]. 王宇宁,庞智恒,袁德明.  武汉理工大学学报. 2016(10)
[4]智能交通系统综述[J]. 赵娜,袁家斌,徐晗.  计算机科学. 2014(11)
[5]车辆检测传感器综述[J]. 彭春华,刘建业,刘岳峰,晏磊,郑江华.  传感器与微系统. 2007(06)



本文编号：3029065