复杂交通环境下的车辆检测算法研究

发布时间：2021-12-30 21:47

　　随着人工智能技术的蓬勃发展,作为无人驾驶汽车“眼睛”的核心视觉感知模块的性能也取得了飞速提升。在真实的复杂交通场景中,由于行驶车辆的视角多变性、相互遮挡和表观形态的复杂性等因素使得车辆检测成为计算机视觉领域最重要的的问题之一。当前车辆检测方法主要分为基于传统机器学习和基于深度学习的方法。传统机器学习方法包含特征提取和分类器决策两大独立部分,无法协同优化两者之间的信息,但是具有较好的可解释性。深度学习方法利用卷积神经网络同时完成特征提取和分类决策,实现了面向应用的端到端学习模式。虽然当前车辆检测算法的性能取得了长足的进步,但是当道路行驶车辆处于频繁出现相互遮挡和视角动态变化的复杂交通环境时,车辆检测性能会出现明显下降。针对以上问题,本文从传统机器学习和深度学习方法两个角度,分别研究基于混合差分特征的多视角车辆检测方法、基于特征金字塔和单双级深度融合网络的车辆检测方法,明显提升了现有算法的性能。主要工作总结如下:（1）传统的多视角车辆检测器依赖于训练多个单视角目标检测器,提取车辆表观特征的判别能力和检测性能直接相关。针对该问题,本文提出了一种基于混合像素差分特征的多视角车辆检测系统,可以提... 

【文章来源】：江苏大学江苏省

【文章页数】：75 页

【学位级别】：硕士

【部分图文】：

自动驾驶汽车示例图

复杂交通环境下的车辆检测算法研究安、鄂尔多斯、赤峰、常熟成功举办了十届，成为国内创办最早、时间最久、最权威的无人驾驶赛事，“中国智能车未来挑战赛”极大推动了中国无人驾驶车辆研究进展。赛事在严谨科学的测试评价体系下，在一定程度上也推动了我国无人驾驶车辆从简单封闭道路走进真实、复杂的道路交通环境过渡的进程，使我国与美欧等国家间的差距缩小，并培养了一大批优秀的科研人才。

(d)图 1.3 复杂环境下车辆示例图((a)阴影下的车辆; (b) 车辆的截断; (c)不同气候环境下的车辆；(d)车辆间遮挡)Fig.1.3 Example of vehicle in complex environment((a) Vehicle under the shadow; (b) Truncated vehicle; (c) Vehicles in different climates；(d)Blocking between vehicles)1.5 车辆检测算法评价指标车辆检测算法的评价指标有很多种，通常来说有一下几种：准确率（Accuracy），精确率（Precision），召回率（Recall），平均正确率（AP），meanAverage Precision（mAP）。交并比（IoU），非极大值抑制（NMS）。首先介绍几个常见的模型评价术语，现在假设我们的分类目标只有两类，记为正例（postive）和负例（negtive）。由表中几个术语如表 1 所示：(1) 准确率（Accuracy）正确分类样本数除以总的样本数，即：准确率 = 正确预测的正反例数/总数。

【参考文献】：
期刊论文
[1]车牌识别与视频监控系统集成探讨[J]. 郭春英.  中国交通信息化. 2014(01)
[2]地面无人驾驶技术现状及应用[J]. 戴斌,聂一鸣,孙振平,安向京.  汽车与安全. 2012(03)
[3]基于最小二乘法的椭圆拟合改进算法[J]. 闫蓓,王斌,李媛.  北京航空航天大学学报. 2008(03)
[4]CITAVT-IV——视觉导航的自主车[J]. 孙振平,安向京,贺汉根.  机器人. 2002(02)
[5]数据挖掘中决策树算法的探讨[J]. 唐华松,姚耀文.  计算机应用研究. 2001(08)
[6]用于数据采掘的贝叶斯分类器研究[J]. 林士敏,田凤占,陆玉昌.  计算机科学. 2000(10)

硕士论文
[1]面向静态图片行人检测的局部特征学习方法应用研究[D]. 年雪洁.东南大学 2016
[2]基于逻辑回归和高斯混合模型的设备故障诊断技术研究与应用[D]. 钟鑫.北京化工大学 2010



本文编号：3559018