基于卷积神经网络的隧道目标检测算法研究

发布时间：2020-07-07 12:22

【摘要】：通过监控视频图像检测隧道目标可以实时的分析交通状况,减少安全事故,在保障隧道交通安全方面具有重大的意义。隧道目标检测算法的主要目的是对目标进行精准的定位和分类。目前大多数的隧道目标检测算法是利用背景差分法对目标进行定位,利用人工特征加机器学习的分类算法对所定位的目标进行分类。基于机器学习的图像分类算法高度依赖于所选取的图像特征,对单一类别的分类具有较好的效果,但是难以处理多分类的任务。基于卷积神经网络(Convolutional Neural Network,CNN)的目标检测算法发展迅速,且擅长处理图像多分类任务,但是将算法应用于隧道场景存在很多困难。如果先提取候选区域后利用CNN对候选区域进行分类,则大量的特征提取操作会增加算法的时间复杂度,不能满足隧道目标检测的实时性要求。如果先提取图像特征后划分候选区域,则对整幅图像的特征提取过程会丢失候选区域的大量底层图像信息,减少对低分辨率目标和远景小目标的检测精度。针对上述问题,本文提出了一种基于背景差分法和CNN的隧道目标检测算法,算法的基本思想是先利用背景差分法提取候选区域确定目标位置,然后通过CNN模型对候选区域进行分类,确定目标类别并去除冗余窗口。在隧道环境条件下算法表现出了良好的性能。本文的主要研究内容分为三部分。第一部分利用颜色差异化函数对ViBe的前景目标分割阶段进行了改进,提出了C-ViBe算法。对C-ViBe算法的前景目标分割结果进行了优化,记录了目标位置作为候选窗口。第二部分首先讨论了CNN的性能问题,从理论上说明了CNN的层数与网络性能的关系。然后基于浅层CNN提出了ReLU-S激活函数并对权重初始化策略进行了优化。最后提出了一个三重特征融合的深度残差网络ResNet34-mix,通过与其它网络的对比实验表明了ResNet34-mix的精度高,速度快的特性,具有实际应用的意义。第三部分提出了基于背景差分法与CNN的隧道目标检测算法,实验表明在隧道环境条件下基于背景差分法与CNN的目标检测算法比传统的目标检测算法和基于深度学习的目标检测算法具有更高的精度,和更快的速度。
【学位授予单位】：武汉理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP391.41;TP183;U453.7
【图文】：

帧差法是把上一帧的图像看作背景模型，与当前帧图像进行对比检测目标种方法省略了建模的过程，因此速度很快，但是双影和空洞很明显检测效[31]。背景差分法的核心思想是构建背景模型，利用背景模型分割前景目标景建模方法的广泛性和可扩展性使背景模型具有很好的可塑性和健壮性，背景差分法可以有效的应对复杂场景的变化。图 2-2 是背景差分法的基本步

元只与部分区域的神经元相连接，这个图像区域就受野做加权和运算的矩阵就是卷积核。权重组成的矩阵，利用权重矩阵和图像的区域矩阵CNN 的卷积操作。在 CNN 中卷积层和卷积层间往征图的情况，多通道特征图的卷积操作如图 2-4 所

图 2- 5 最大值池化输入层，卷积层，池化层和输出层再加上需要对特征图进行一维拉伸的全连接层和包含激活函数的激活层组成了 CNN 的基本结构。图 2-6 所示是 LeNet-5进行手写数字识别时的 CNN 结构：

【相似文献】

相关期刊论文 前10条

1 舒朗;郭春生;;基于回归与深度强化学习的目标检测算法[J];软件导刊;2018年12期

2 王钤;张穗华;雷丝雨;邓博文;;一种基于数据聚类的目标检测算法[J];机电产品开发与创新;2016年06期

3 孙林;鲍金河;刘一超;;高光谱图像目标检测算法分析[J];测绘科学;2012年01期

4 张桂林，熊艳，曹伟，李强;一种评价自动目标检测算法性能的方法[J];华中理工大学学报(社会科学版);1994年05期

5 许云;李彬;;基于背景遗传模型的运动目标检测算法[J];自动化技术与应用;2017年03期

6 杜佳;宋春林;;一种改进的毫米波雷达多目标检测算法[J];通信技术;2015年07期

7 诸葛霞;向健勇;;基于分形特征的目标检测算法概述及仿真[J];红外技术;2006年10期

8 方路平;何杭江;周国民;;目标检测算法研究综述[J];计算机工程与应用;2018年13期

9 尚海林;;复杂场景下弱小目标检测算法的FPGA实现[J];航空兵器;2007年04期

10 詹炜;Inomjon Ramatov;崔万新;喻晶精;;基于候选区域的深度学习目标检测算法综述[J];长江大学学报(自然科学版);2019年05期

相关会议论文 前10条

1 何元磊;李红军;周陆军;李旭渊;顾立林;尼涛;;基于端元丰度量化的高光谱图像目标检测算法[A];国家安全地球物理丛书（十一）——地球物理应用前沿[C];2015年

2 孙瑾秋;张艳宁;姜磊;王敏;;基于变换域特征的星空背景弱小目标检测算法[A];第八届全国信号与信息处理联合学术会议论文集[C];2009年

3 高飞;蒋建国;安红新;齐美彬;;一种快速运动目标检测算法[A];全国第22届计算机技术与应用学术会议(CACIS·2011)暨全国第3届安全关键技术与应用（SCA·2011）学术会议论文摘要集[C];2011年

4 许俊平;张启衡;张耀;王华闯;;基于人眼视觉特性的小目标检测算法[A];2006年全国光电技术学术交流会会议文集（D 光电信息处理技术专题）[C];2006年

5 王艺婷;黄世奇;刘代志;王红霞;;高光谱图像目标检测算法性能研究[A];国家安全地球物理丛书（十）——地球物理环境与国家安全[C];2014年

6 张国华;;一种基于导引头稳定平台结构的目标检测算法[A];第九届全国光电技术学术交流会论文集（下册）[C];2010年

7 郑伟成;李学伟;刘宏哲;;基于深度学习的目标检测算法综述[A];中国计算机用户协会网络应用分会2018年第二十二届网络新技术与应用年会论文集[C];2018年

8 刘昊;赵龙;;基于改进混合高斯模型的运动目标检测算法[A];2011年中国智能自动化学术会议论文集（第一分册）[C];2011年

9 刘峰;奚晓梁;沈同圣;;基于最大值投影的空间小目标检测算法[A];第二届空间目标与碎片监测、清理技术及应用学术研讨会论文集[C];2015年

10 邓宇;陈孝威;;综合利用时空信息的运动目标检测算法[A];第二届和谐人机环境联合学术会议(HHME2006)——第15届中国多媒体学术会议(NCMT'06)论文集[C];2006年

相关博士学位论文 前10条

1 张丽丽;基于空谱联合特性的高光谱图像异常目标检测算法研究[D];哈尔滨工程大学;2018年

2 赵红燕;被动多基站雷达目标检测算法研究[D];西安电子科技大学;2017年

3 郭小路;多通道雷达干扰抑制与目标检测算法研究[D];西安电子科技大学;2017年

4 李健;星载宽幅SAR及目标检测算法研究[D];西安电子科技大学;2018年

5 王志虎;基于显著性的运动目标检测算法研究[D];国防科学技术大学;2015年

6 郭明玮;基于视觉记忆的目标检测算法：一个特征学习与特征联想的过程[D];中国科学技术大学;2014年

7 王俊强;图像中人体目标检测算法研究[D];北京邮电大学;2012年

8 李凡;复杂背景抑制及弱小目标检测算法研究[D];西安电子科技大学;2010年

9 种劲松;合成孔径雷达图像舰船目标检测算法与应用研究[D];中国科学院研究生院（电子学研究所）;2002年

10 崔国龙;多天线配置雷达系统的目标检测算法研究[D];电子科技大学;2012年

相关硕士学位论文 前10条

1 周立学;基于卷积神经网络的隧道目标检测算法研究[D];武汉理工大学;2018年

2 孟俊彪;基于深度学习的自进化雷达目标检测算法[D];厦门大学;2018年

3 高丽清;高频地波雷达船舶目标检测算法研究[D];内蒙古大学;2018年

4 李梦莹;复杂背景下的红外小目标检测算法研究[D];吉林大学;2018年

5 王东京;基于TMS320C6678平台的红外运动目标检测算法设计[D];南京理工大学;2018年

6 李芝憬;海面回波分形特性分析与微弱目标检测[D];国防科学技术大学;2016年

7 舒朗;基于强化学习的目标检测算法研究[D];杭州电子科技大学;2018年

8 王哲峰;移动端目标检测系统的设计与实现[D];浙江大学;2018年

9 张守东;复杂场景下基于深度学习的显著性目标检测算法研究[D];南京师范大学;2018年

10 夏森林;基于压缩感知域视频的运动目标检测算法研究及应用[D];南京理工大学;2018年

本文编号：2745111