基于深度学习的交通场景目标检测方法研究

发布时间：2022-07-13 16:30

　　从交通场景下的图像或视频中自动检测出各种目标（如车辆和行人等）是许多智能交通系统必不可少的前提。根据车辆和行人等的运动规律给出合理的交通管控方案可以减少诸如道路拥堵、交通事故等事件的发生,保护人们的生命财产。随着计算机技术的飞速发展与计算机视觉理论的广泛应用,利用机器学习和深度学习的方法对不同场景下的目标进行分类、定位或实时跟踪成为了近年来的研究热点,对目标进行实时检测在无人驾驶、智能视频监控、工业检测以及军事目标检测等方面具有重要的应用价值。虽然深度学习为目标检测领域带来了革命性的进步,但是目前已存在的基于深度学习的算法仍然存在很多不足,例如算法运算复杂度较高,难以实时应用,或者对于小目标的检测效果较差等等,即这些方法难以实现检测精度与速度之间的权衡。为了解决这些问题,本文采用特征金字塔的思想,利用从多层特征图中提取的信息来检测各种对象,能有效降低漏检以及误检的发生。具体来说,本文的研究内容主要包括以下几点:首先,针对目前交通场景数据集不足的问题,本文利用交通监控视频构建了一个城市交通数据集,划分了训练集和测试集,并利用标注工具BBox-Label-Tool对数据集中的图片进行分类和... 

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 引言
    1.1 研究背景与意义
    1.2 研究现状与分析
        1.2.1 传统目标检测方法
        1.2.2 基于深度学习的目标检测方法
    1.3 论文研究内容
    1.4 论文组织结构
第2章 深度学习关键技术
    2.1 卷积神经网络
        2.1.1 卷积层
        2.1.2 下采样层
        2.1.3 上采样层
        2.1.4 全连接层
    2.2 经典深度学习框架
        2.2.1 TensorFlow深度学习框架
        2.2.2 Caffe深度学习框架
    2.3 模型的训练
        2.3.1 数据预处理
        2.3.2 数据增强
        2.3.3 模型微调过程
        2.3.4 模型训练过程
    2.4 本章小结
第3章 基于CNN的多支路交通场景目标检测算法
    3.1 相关工作
    3.2 网络结构设计
        3.2.1 多特征图预测
        3.2.2 边界框预测和类别预测
    3.3 网络训练过程
    3.4 实验及结果分析
        3.4.1 交通场景数据集
        3.4.2 实验对比
    3.5 本章小结
第4章 基于多特征图融合的交通场景目标检测算法
    4.1 引言
    4.2 相关工作
    4.3 网络结构设计
        4.3.1 网络结构介绍
        4.3.2 融合模块
        4.3.3 训练方法
    4.4 实验及结果分析
        4.4.1 数据集
        4.4.2 评价指标
        4.4.3 检测结果与分析
    4.5 本章小结
第5章 总结与展望
    5.1 工作总结
    5.2 未来工作展望
参考文献
致谢
攻读硕士学位期间从事的科研工作及取得的成果


【参考文献】：
期刊论文
[1]基于Adaboost算法的日间前方车辆检测[J]. 金立生,王岩,刘景华,王亚丽,郑义.  吉林大学学报(工学版). 2014(06)
[2]基于HOG特征和SVM的前向车辆识别方法[J]. 李星,郭晓松,郭君斌.  计算机科学. 2013(S2)
[3]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正.  计算机应用研究. 2012(08)

硕士论文
[1]基于HOG特征的车辆检测技术研究[D]. 马蓓蓓.华南理工大学 2015



本文编号：3660377