基于改进的Faster R-CNN的无人机影像车辆检测

发布时间：2024-01-15 19:40

　　随着社会经济实力的增长,车辆普及率的提高,城市拥堵及交通事故频发等问题日益严重。而车辆检测技术能够为道路交通控制、高速公路管理和紧急事件管理等诸多交通问题的处理提供强有力的信息支撑,因此受到了研究者的广泛关注。在无人机影像中对车辆进行检测,可用于指挥交通道路行车、保障行车通畅,也可以对实时路况做出反馈,进一步保障行人和驾驶人员的交通安全。为了解决实际场景中车辆的检测任务,本文对基于无人机影像的车辆检测方法进行了研究,主要研究内容包括:(1)构建了一个用于无人机影像车辆检测的数据集。该数据集包含城区范围内的所有无人机影像和所有影像中的车辆标注,包含800张影像,3320个车辆标注实例。(2)为了解决在车辆检测中存在的误检和漏检问题,本文对Faster R-CNN模型进行改进。首先选取效果更好的残差网络模型(ResNet101)代替VGG16网络模型以提升卷积神经网络特征提取的深度;然后使用不同层次特征图构造特征金字塔(FPN)进一步提升网络特征提取的广度,有效解决了对车辆这种较小目标检测效率低的问题;同时对检测网络中的建议区域尺度进行优化。最后基于无人机影像车辆数据集,使用改进的Fast...

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
    1.3 研究内容与论文结构
第二章 目标检测方法概述
    2.1 传统目标检测方法
        2.1.1 基于模板匹配的方法
        2.1.2 基于特征提取分类的方法
    2.2 基于深度学习的目标检测方法
        2.2.1 基于卷积神经网络的特征提取
        2.2.2 基于区域建议的目标检测方法
        2.2.3 基于回归的目标检测方法
    2.3 目标检测算法的评价标准及效率对比
    2.4 本章小结
第三章 改进的Fater R-CNN的无人机影像车辆检测
    3.1 Faster R-CNN算法
        3.1.1 特征提取
        3.1.2 区域建议网络
        3.1.3 图像分类及边框回归
    3.2 无人机影像车辆数据集
        3.2.1 原始的无人机影像数据
        3.2.2 切分筛选
        3.2.3 车辆标注
        3.2.4 数据分批
    3.3 改进的Faster R-CNN算法
        3.3.1 使用ResNet101 提取特征
        3.3.2 使用FPN选取建议区域
        3.3.3 调整Anchor尺寸
    3.4 实验与结果分析
        3.4.1 改进基础网络的影响
        3.4.2 改进区域建议网络的影响
        3.4.3 改进anchor尺寸的影响
    3.5 本章小结
第四章 无人机影像去雾霾后的车辆检测
    4.1 雾霾图像退化模型
    4.2 图像去雾霾算法
        4.2.1 基于图像增强去雾霾算法
        4.2.2 基于物理模型复原去雾霾算法
    4.3 无人机影像去雾霾后的车辆检测
    4.4 本章小结
第五章 总结与展望
    5.1 研究总结
    5.2 研究展望
参考文献
附录A 攻读学位期间发表的论文与科研成果清单
致谢



本文编号：3878728