交通场景中基于深度学习的视频图像处理算法及应用研究
发布时间：2021-07-22 02:41
随着道路交通的迅速发展,交通场景下视频图像处理系统的重要性日益增加。目标检测作为图像处理算法中的一个重要步骤,其精度和速度对于整个系统来说至关重要。传统的目标检测需要依靠经验由人工定义特征,检测性能不佳且鲁棒性差,而近年来深度学习的迅速发展使得基于深度神经网络的目标检测算法在检测精度和速度方面都有令人惊喜的表现。本文主要研究将基于深度学习的目标检测算法应用于交通场景中的视频图像处理中,利用深度学习完成目标检测功能,在此基础上实现交通场景中典型违法现象的检测并完成系统实现。本文的主要工作如下:（1）研究深度学习中目标检测技术在交通场景视频监控系统的应用。选择YOLOv3作为本文目标检测所用的基础网络结构,给出了在YOLOv3网络结构下针对特定目标的参数训练方法,并利用YOLOv3的网络结构和自行训练的参数完成了交通场景中特定目标的检测。另外,对YOLOv3模型进行改进,增加预处理层对夜间图像进行图像增强,提升了该模型在夜间图像上的检测性能。（2）研究实际监控场景下违法现象的判定方法。通过基于YOLOv3的目标检测算法检测出每帧图像中的目标信息,在此基础上给出了基于最大目标面积匹配算法实现...
【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
传统目标检测的过程
样本学习数据集本质特征的能力[24]。本章主要讨论深度学习中一些较为基础的理论知识，以及几类经典的基于深度学习的目标检测算法。2.2卷积神经网络各深度学习模型中，应用最为广泛的就是卷积神经网络（ConvolutionalNeuralNetworks，CNN），它的网络结构与哺乳动物大脑中的神经网络很类似，它的特殊之处在于它的神经元之间的连接是非全连接的，而且有些神经元之间的连接的权值是共享的。这就大幅降低了网络的复杂度，也缩减了模型中的参数数量，使得CNN在图像识别领域取得了非常广泛的应用。卷积神经网络的典型结构如图2-1所示，为输入层--->卷积层--->激励层--->池化层......--->全连接层--->输出层，其中卷积层--->激励层--->池化层这一操作可反复进行[25]。在这一结构中，输入层负责对原始图像做一些初始化的操作，之后通过卷积层、激励层和池化层通常的交替进行，提取到特征向量，最后通过全连接层，采用归一化指数函数（Softmax函数）回归对输入特征进行分类。以下将对其中重要的几层进行详细介绍[26]。图2-1卷积神经网络的典型结构（1）输入层输入层负责对输入图像进行预处理操作，其中较为常见的有去均值处理和归一化处理等。去均值：将输入数据各个维度都中心化到0，即计算所有样本的均值之后再减去这个均值。
东南大学硕士学位论文8归一化：将幅度归一化到同样的范围，比如0至1之间，目的是减少各维度数据取值范围的差异带来的干扰，加快网络训练时的收敛。常见方式有线性函数转换、反余切函数转换和对数函数转换。（2）卷积层卷积层中的操作会涉及到若干个滤波器，滤波器中的值均为参数，需要后续进行训练得到而非事先进行设定，此处为了清楚地进行介绍，直接以具体数值的滤波器进行说明。卷积层的工作原理如图2-2所示，这里假设输入图像的大小为66，滤波器1的大小为33，首先将图像左上角33大小的区域与滤波器分别对应相乘后相加，得到的值即为输出矩阵的第一个值，之后将滤波器的位置挪动一定的距离，挪动的距离叫作步长（图中设置为1），按照同样的方式进行计算，得到第二个值，以此类推，得到一个输出的矩阵。在一个卷积层中不只有一个滤波器，假设该卷积层有N个滤波器，每个滤波器都按照上述的方式与输入图像进行运算，之后得到的N个矩阵合起来称为特征图（featuremap）。图2-2卷积层工作原理示意图（3）激励层激励层一般在卷积层之后，主要用于对卷积层的输出进行一个非线性映射。卷积神经网络中较常用的激励函数是修正线性单元（RectifiedLinearUnit，ReLU），函数表达式如2-1式所示。xxf),0max()(（2-1）ReLU函数图像如图2-3所示，它具有求梯度简单，收敛快的优点。
【参考文献】：
期刊论文
[1]关于深度学习的综述与讨论[J]. 胡越,罗东阳,花奎,路海明,张学工. 智能系统学报. 2019(01)
[2]基于改进YOLO算法的全景多目标实时检测[J]. 蔡成涛,吴科君,刘秋飞,程海涛,马强. 计算机工程与设计. 2018(10)
[3]深度学习原理及应用综述[J]. 付文博,孙涛,梁藉,闫宝伟,范福新. 计算机科学. 2018(S1)
[4]基于最小二乘法的误差分析与误差修正[J]. 陈林斌,孙赐恩. 中国新通信. 2018(07)
[5]基于深度学习的目标检测算法综述[J]. 周晓彦,王珂,李凌燕. 电子测量技术. 2017(11)
[6]基于Matlab的YUV视频流色彩空间变换[J]. 郭睿,吕硕,臧淼. 现代信息科技. 2017(04)
[7]基于视觉的目标检测与跟踪综述[J]. 尹宏鹏,陈波,柴毅,刘兆栋. 自动化学报. 2016(10)
[8]深度卷积神经网络在计算机视觉中的应用研究综述[J]. 卢宏涛,张秦川. 数据采集与处理. 2016(01)
[9]基于支持向量机的目标检测算法综述[J]. 郭明玮,赵宇宙,项俊平,张陈斌,陈宗海. 控制与决策. 2014(02)
硕士论文
[1]交通违法视频检测关键技术研究及系统实现[D]. 黄勇.东南大学 2018
[2]低照度图像增强与去噪研究[D]. 余瑾.华中师范大学 2018
[3]基于空间金字塔池化的卷积神经网络图像分类算法[D]. 侯明伟.武汉大学 2018
[4]基于深度学习的交通监控图像目标检测系统设计与实现[D]. 陶静.北京邮电大学 2018
[5]基于深度学习的目标检测研究[D]. 付若楠.北京交通大学 2017
[6]基于深度学习的图像分类的研究[D]. 闫蕾芳.山东大学 2017
[7]基于深度学习的交通场景多目标检测[D]. 李珊珊.湖南大学 2017
[8]基于深度学习的车牌识别技术研究[D]. 赵振兴.青岛科技大学 2017
[9]多场景复杂环境智能交通视频处理关键技术研究及实现[D]. 吴细老.东南大学 2017
[10]基于深度学习的快速目标检测技术研究[D]. 王震.天津理工大学 2017
本文编号：3296270
【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
传统目标检测的过程
样本学习数据集本质特征的能力[24]。本章主要讨论深度学习中一些较为基础的理论知识，以及几类经典的基于深度学习的目标检测算法。2.2卷积神经网络各深度学习模型中，应用最为广泛的就是卷积神经网络（ConvolutionalNeuralNetworks，CNN），它的网络结构与哺乳动物大脑中的神经网络很类似，它的特殊之处在于它的神经元之间的连接是非全连接的，而且有些神经元之间的连接的权值是共享的。这就大幅降低了网络的复杂度，也缩减了模型中的参数数量，使得CNN在图像识别领域取得了非常广泛的应用。卷积神经网络的典型结构如图2-1所示，为输入层--->卷积层--->激励层--->池化层......--->全连接层--->输出层，其中卷积层--->激励层--->池化层这一操作可反复进行[25]。在这一结构中，输入层负责对原始图像做一些初始化的操作，之后通过卷积层、激励层和池化层通常的交替进行，提取到特征向量，最后通过全连接层，采用归一化指数函数（Softmax函数）回归对输入特征进行分类。以下将对其中重要的几层进行详细介绍[26]。图2-1卷积神经网络的典型结构（1）输入层输入层负责对输入图像进行预处理操作，其中较为常见的有去均值处理和归一化处理等。去均值：将输入数据各个维度都中心化到0，即计算所有样本的均值之后再减去这个均值。
东南大学硕士学位论文8归一化：将幅度归一化到同样的范围，比如0至1之间，目的是减少各维度数据取值范围的差异带来的干扰，加快网络训练时的收敛。常见方式有线性函数转换、反余切函数转换和对数函数转换。（2）卷积层卷积层中的操作会涉及到若干个滤波器，滤波器中的值均为参数，需要后续进行训练得到而非事先进行设定，此处为了清楚地进行介绍，直接以具体数值的滤波器进行说明。卷积层的工作原理如图2-2所示，这里假设输入图像的大小为66，滤波器1的大小为33，首先将图像左上角33大小的区域与滤波器分别对应相乘后相加，得到的值即为输出矩阵的第一个值，之后将滤波器的位置挪动一定的距离，挪动的距离叫作步长（图中设置为1），按照同样的方式进行计算，得到第二个值，以此类推，得到一个输出的矩阵。在一个卷积层中不只有一个滤波器，假设该卷积层有N个滤波器，每个滤波器都按照上述的方式与输入图像进行运算，之后得到的N个矩阵合起来称为特征图（featuremap）。图2-2卷积层工作原理示意图（3）激励层激励层一般在卷积层之后，主要用于对卷积层的输出进行一个非线性映射。卷积神经网络中较常用的激励函数是修正线性单元（RectifiedLinearUnit，ReLU），函数表达式如2-1式所示。xxf),0max()(（2-1）ReLU函数图像如图2-3所示，它具有求梯度简单，收敛快的优点。
【参考文献】：
期刊论文
[1]关于深度学习的综述与讨论[J]. 胡越,罗东阳,花奎,路海明,张学工. 智能系统学报. 2019(01)
[2]基于改进YOLO算法的全景多目标实时检测[J]. 蔡成涛,吴科君,刘秋飞,程海涛,马强. 计算机工程与设计. 2018(10)
[3]深度学习原理及应用综述[J]. 付文博,孙涛,梁藉,闫宝伟,范福新. 计算机科学. 2018(S1)
[4]基于最小二乘法的误差分析与误差修正[J]. 陈林斌,孙赐恩. 中国新通信. 2018(07)
[5]基于深度学习的目标检测算法综述[J]. 周晓彦,王珂,李凌燕. 电子测量技术. 2017(11)
[6]基于Matlab的YUV视频流色彩空间变换[J]. 郭睿,吕硕,臧淼. 现代信息科技. 2017(04)
[7]基于视觉的目标检测与跟踪综述[J]. 尹宏鹏,陈波,柴毅,刘兆栋. 自动化学报. 2016(10)
[8]深度卷积神经网络在计算机视觉中的应用研究综述[J]. 卢宏涛,张秦川. 数据采集与处理. 2016(01)
[9]基于支持向量机的目标检测算法综述[J]. 郭明玮,赵宇宙,项俊平,张陈斌,陈宗海. 控制与决策. 2014(02)
硕士论文
[1]交通违法视频检测关键技术研究及系统实现[D]. 黄勇.东南大学 2018
[2]低照度图像增强与去噪研究[D]. 余瑾.华中师范大学 2018
[3]基于空间金字塔池化的卷积神经网络图像分类算法[D]. 侯明伟.武汉大学 2018
[4]基于深度学习的交通监控图像目标检测系统设计与实现[D]. 陶静.北京邮电大学 2018
[5]基于深度学习的目标检测研究[D]. 付若楠.北京交通大学 2017
[6]基于深度学习的图像分类的研究[D]. 闫蕾芳.山东大学 2017
[7]基于深度学习的交通场景多目标检测[D]. 李珊珊.湖南大学 2017
[8]基于深度学习的车牌识别技术研究[D]. 赵振兴.青岛科技大学 2017
[9]多场景复杂环境智能交通视频处理关键技术研究及实现[D]. 吴细老.东南大学 2017
[10]基于深度学习的快速目标检测技术研究[D]. 王震.天津理工大学 2017
本文编号：3296270
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3296270.html
