视觉注意与深度学习相结合的车辆目标检测

发布时间：2020-06-30 00:37

【摘要】：科技的发展,带动中国现代化进程发展日新月异,智能交通系统被越来越多的机构关注。车辆目标检测作为智能交通的主要基础环节,受到越来越多研究者的关注。针对复杂的外界环境,视觉注意机制通过模拟人类视觉构造,能够聚焦显著目标区域而忽视背景信息,以便能够优先处理目标信息。传统基于人工特征的机器学习方法是使用较多的车辆目标检测方法,特征的选择依赖人的经验,因此对于检测结果的精度和稳定性很难保证。深度学习能够逐层抽取特征,将底层特征作为输入,提取到不同层次的语义信息,在图像分类以及目标检测中发挥重要作用。本文主要完成以下工作:1)图像特征点匹配进行目标检测应用较为广泛,单一尺度下图像的特征点不能充分反映图像信息,本文提出融合多尺度特征点的匹配算法。将图像在不同尺度下的特征点进行融合,然后再进行特征点匹配。实验证明,融合多尺度特征点相比单一尺度下特征点匹配算法具有更高的匹配正确率。视觉注意机制算法能够排除部分背景信息,减少无关信息的干扰;深度图像反映位置与空间关系的相关信息,确保提取目标区域的准确性;通过视觉注意机制得到的显著图与深度图像进行融合获取更精准的显著区域,将得到的显著区域进行特征点匹配。实验证明,该算法在具有较好匹配正确率的同时匹配时间也较短。2)用卷积神经网络训练车辆分类器,应用反向传播算法对网络参数进行调整;使用不同的网络模型Caffe Net、VGGNet、Goo GleNet训练分类器,并与传统的机器学习算法SVM、Adaboost以及ANN训练的分类器进行对比。实验证明,深度学习相比传统的机器学习算法具有更高的检测率;然后采用Selective Search算法将源图像提取候选区域,提交给训练好的模型应用于车辆目标检测。3)复杂的背景信息对车辆检测影响很大,首先视觉注意机制能够把注意力集中在少数显著区域;然后通过图像的背景先验和前景先验信息来提取高质量显著性区域,同时采用车辆轮廓信息对显著区域进行筛选,以获取更加精准的显著区域;最后,将提取的显著区域提交给分类器进行车辆目标检测。实验证明,采用视觉注意机制处理后的图像,相比处理之前在车辆目标检测的速率上有很大的提升;当外界环境发生光照强度、旋转等变化时仍具有较好的鲁棒性。
【学位授予单位】：西安工业大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：U495;TP391.41
【图文】：

模拟图,神经元结构,模拟图

也就是传递过程中的传递函数，b 为偏执系数。图 2.1 神经元结构的模拟图2.1.2 深度学习的基本思想深度学习是在人工神经网络的已有研究上发展起来的，深度学习通过将底层特征进行组合的方式进而提取到更加高层的特征，从而可以被用来进行分类识别，深度学习其实很早就已经被提出来，但是却一直没有收到重视，主要是由于以前深度学习本身存在很多缺陷：（1）深度学习的训练过程需要大量的数据集，并且需要为这些数据集手动进行便签，这是一个庞大的工作量，对于数据集的收集也是很麻烦的。（2）当使用的训练模型层数较少时，效果不是很理想，相比其他方法有事不是太明显；当模型层数较多时，训练速度太慢，时间成本高。（3）训练时，容易出现过拟合的现象，调参过程一般需要根据人为经验来设置，没有一个固定的模式，参数很难调到最优。（4）计算过程容易局部收敛而不是全局收敛，这就导致得到的是局部最小值而不是全局的最小值。正是由于深度学习的这些缺点，导致在过去的二十多年中，一直没能得到有效的发展。直到 Hintou 在前人的基础上提出了一种新的深度学习框架，相比传统的模型，该模型具有很强的可行性。相比于传统的神经网络模型

流程图,流程图,图像,特征图

图 2.2 Itti 模型的流程图，对粗尺度下的特征图进行差值，转变为与细尺度同样大点的减法，由于细尺度能发现高频部分（也就是细节部分度发现的是低频部分（图像的轮廓部分），代表周边区域图像的特征显著图。感受野的中央像素点位于金字塔的CS 层，其中S C ，其中 C 2， 3. 4 ， 3 ， 4 。最后图、12 幅颜色特征显著图以及 46 幅朝向特征显著图（1图组、4 个朝向特征图组）。直方图对比度的方法，主要针对于自然景象图像的处理。其他像素的色彩差异来分配的，而且产生的显著性图像能为：首先在 RGB 空间量化图像；然后把图像有 RGB 空计算出不同的像素和其他的像素点在 Lab 空间上的颜色距的显著值，目的是减少量化出现的误差。

【参考文献】