基于YOLO模型的车辆实时检测算法研究
发布时间：2021-02-28 11:57
深度学习在近些年迅速发展,车辆实时检测更多的利用深度学习相关技术来完成实时检测任务,研究车辆实时检测技术可以对道路前方的车辆进行检测并作出安全预警。由于实际交通场景复杂多变且道路上的车辆具有不同的车型、颜色、亮度和遮挡等多种因素,致使传统的车辆实时检测算法无法满足实际需求,研究各方面指标较好的车辆实时检测算法成为了一项具有挑战性的任务。YOLO模型在克服传统车辆实时检测算法速度慢的缺点的同时,也有较好的检测准确率,为道路车辆实时检测提供了一种新思路。因此,本课题研究基于YOLO模型的前方道路车辆实时检测算法,主要研究内容如下:为了有效的验证和训练所设计的模型算法,自制了车辆数据集并对数据集进行扩充,采集数据集时从不同的场景下进行拍摄,主要包括的场景有:各种天气情况、光线明暗不同的情况、有无目标遮挡的情况以及车辆与采集设备远近不同的情况等。针对当前车辆实时检测算法在检测帧速率方面难以达到要求的问题,对YOLO模型的框架结构进行深入研究,在YOLO v3模型中加入Darknet-53分类网络,可以对提取到的特征进行更快速更准确的分类,针对车辆目标行驶速度较快且目标背景复杂的情况,重新设置网...
【文章来源】：河南工业大学河南省
【文章页数】：83 页
【学位级别】：硕士
【部分图文】：
城市交通状况
2图2车辆实时检测实现车辆检测可以采用多种方法，目前比较常用的方法有两种，分别是基于硬件进行车辆检测和基于图像进行车辆检测[6]。基于硬件进行车辆检测主要以硬件系统来进行道路环境的感知，不管是超声波、红外线，还是微波，利用这些类型的传感器在进行车辆检测的时候，先向周围车辆发射一个信号，再对反射回来的信号进行分析，从而对道路上车辆的情况进行一定的了解。基于图像进行车辆检测主要利用车载摄像头来获取车辆的信息，然后将获取的信息传送给中央处理器，从而计算出最佳的行驶路线[7]。基于硬件进行车辆检测的方案比基于图像进行车辆检测的方案的检测效果要好，但是在实际生活中，我们较多的选择基于图像进行车辆检测的方案，因为这不仅可以减少车辆生产的成本，而且可以方便的更新检测系统。各国相关专家在基于图像进行车辆检测方面进行了大量研究，希望取得突破性进展。深度学习技术的革新使得车辆检测技术得以迅速发展，YOLO模型作为一种基于深度学习技术的模型，其在检测速度方面完胜FastRCNN、FasterRCNN和SSD模型，所以本课题对YOLO模型进行深入研究，其研究的意义主要包括以下几个方面：(1)通过对网络结构进行改进来提高车辆检测的实时性；(2)通过对Anchorbox参数进行优化来提高检测的准确率；(3)通过对模型训练过程进行优化来适应复杂场景下的车辆检测，从而使车辆检测技术得到发展，并且运用于实际道路车辆检测中。
8保证车辆检测的鲁棒性提出了很大的挑战。在特征提取阶段常用HOG、SIFT等算法[48]。车辆检测最终都离不开分类的过程，分类器进行分类是车辆检测的最后一个步骤，我们常用Adaboost、SVM等分类器进行分类的过程[49]，分类的过程是对特征提取阶段提取到的信息进行分类，主要是对滑动窗口中的目标车辆进行分类。2.1.2基于帧间差分的车辆检测帧间差分法[50]可以用来检测车辆，对相邻两帧或三帧图像差分后按照一定的规则进行阈值化处理，得到的是车辆目标边缘的阈值化图像，接下来进行形态学处理、连通域分析和区域分割这些后期处理从而把图像中的运动车辆提取出来。帧间差分法的具体流程如图4所示。图4帧间差分法处理流程图对于视频信息来说，我们将其处理为一帧一帧的图像，其中任意相邻两帧图像分别
本文编号：3055821
【文章来源】：河南工业大学河南省
【文章页数】：83 页
【学位级别】：硕士
【部分图文】：
城市交通状况
2图2车辆实时检测实现车辆检测可以采用多种方法，目前比较常用的方法有两种，分别是基于硬件进行车辆检测和基于图像进行车辆检测[6]。基于硬件进行车辆检测主要以硬件系统来进行道路环境的感知，不管是超声波、红外线，还是微波，利用这些类型的传感器在进行车辆检测的时候，先向周围车辆发射一个信号，再对反射回来的信号进行分析，从而对道路上车辆的情况进行一定的了解。基于图像进行车辆检测主要利用车载摄像头来获取车辆的信息，然后将获取的信息传送给中央处理器，从而计算出最佳的行驶路线[7]。基于硬件进行车辆检测的方案比基于图像进行车辆检测的方案的检测效果要好，但是在实际生活中，我们较多的选择基于图像进行车辆检测的方案，因为这不仅可以减少车辆生产的成本，而且可以方便的更新检测系统。各国相关专家在基于图像进行车辆检测方面进行了大量研究，希望取得突破性进展。深度学习技术的革新使得车辆检测技术得以迅速发展，YOLO模型作为一种基于深度学习技术的模型，其在检测速度方面完胜FastRCNN、FasterRCNN和SSD模型，所以本课题对YOLO模型进行深入研究，其研究的意义主要包括以下几个方面：(1)通过对网络结构进行改进来提高车辆检测的实时性；(2)通过对Anchorbox参数进行优化来提高检测的准确率；(3)通过对模型训练过程进行优化来适应复杂场景下的车辆检测，从而使车辆检测技术得到发展，并且运用于实际道路车辆检测中。
8保证车辆检测的鲁棒性提出了很大的挑战。在特征提取阶段常用HOG、SIFT等算法[48]。车辆检测最终都离不开分类的过程，分类器进行分类是车辆检测的最后一个步骤，我们常用Adaboost、SVM等分类器进行分类的过程[49]，分类的过程是对特征提取阶段提取到的信息进行分类，主要是对滑动窗口中的目标车辆进行分类。2.1.2基于帧间差分的车辆检测帧间差分法[50]可以用来检测车辆，对相邻两帧或三帧图像差分后按照一定的规则进行阈值化处理，得到的是车辆目标边缘的阈值化图像，接下来进行形态学处理、连通域分析和区域分割这些后期处理从而把图像中的运动车辆提取出来。帧间差分法的具体流程如图4所示。图4帧间差分法处理流程图对于视频信息来说，我们将其处理为一帧一帧的图像，其中任意相邻两帧图像分别
本文编号：3055821
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3055821.html
