基于深度学习的车辆检测方法研究

发布时间：2017-07-31 19:11

  本文关键词：基于深度学习的车辆检测方法研究

  更多相关文章： 车辆检测 深度学习 卷积神经网络 空间金字塔池化 非极大值抑制

【摘要】：随着全球经济的持续快速增长,世界各国的汽车保有量也持续增长,由此引发了一系列的交通和环境问题。为了应对这些问题,许多国家开始研究智能交通系统。而车辆检测属于智能交通系统比较基础的环节,对于智能交通系统的发展具有重要意义。传统的车辆检测方法如帧间差分法等,检测效果往往不尽如人意。深度学习中的卷积神经网络方法对于目标旋转、位移具有一定的不变性,在许多图像分类和检测应用中展现出优秀的性能。本文将其应用于车辆检测研究,主要完成了以下工作:1)从多个视频场景中采集了多种不同型号、不同外观、从不同角度拍摄的车辆构成正样本集,并采集一些没有车辆存在的图片为负样本集。为了增加分类器对于不同光线条件的适应性以及样本多样性,对原始样本进行了HSV空间明度平移操作。2)与传统的车辆分类算法人为指定特征的方式不同,卷积神经网络模型由于其特殊的结构,可以通过训练网络参数自动提取样本特征。本文设计了一个卷积神经网络车辆分类模型,并且应用反向传播算法进行网络参数的训练。接着,将该模型与检测框合并算法结合,应用于实际场景中进行车辆检测。3)针对某些检测场景中,近处和远处车辆尺寸差异较大的情况,提出多尺寸检测框策略。为适应不同尺寸图像的输入,本文采用了基于空间金字塔池化的卷积神经网络模型。在该模型中,使用了ZF-5模型进行特征提取。在空间金字塔池化获得统一尺寸特征后,采用SVM分类器进行分类。将模型应用于实际场景时,存在同一车辆多次被检测的情况,我们使用非极大值抑制算法进行检测框的筛选。最后,我们分别在训练集和实际场景中验证了两个卷积神经网络模型的性能,获得了较好的分类效果和检测效果。
【关键词】：车辆检测 深度学习 卷积神经网络 空间金字塔池化 非极大值抑制
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U495;TP391.41
【目录】：

• 摘要5-6
• ABSTRACT6-11
• 第一章 绪论11-19
• 1.1 选题背景及课题的研究意义11-13
• 1.2 智能交通系统及车辆检测研究现状13-16
• 1.3 深度学习研究现状16-17
• 1.4 主要工作及章节安排17-19
• 1.4.1 本文主要研究工作17
• 1.4.2 论文的章节安排17-19
• 第二章 传统的车辆检测方法论述19-33
• 2.1 常用颜色模型介绍19-23
• 2.2 基于帧间差分的车辆检测23-25
• 2.3 基于背景差分的车辆检测25-27
• 2.4 基于光流法的车辆检测27-30
• 2.5 传统的车辆检测与基于深度学习的车辆检测对比30-32
• 2.6 本章小结32-33
• 第三章 浅层分类器、深度学习及卷积神经网络综述33-47
• 3.1 浅层分类器33-40
• 3.1.1 线性判别分析法LDA33-35
• 3.1.2 支持向量机SVM35-38
• 3.1.3 随机森林38-39
• 3.1.4 K近邻算法39-40
• 3.2 从浅层学习到深度学习40-41
• 3.3 卷积神经网络41-46
• 3.3.1 卷积神经网络模型概述41-43
• 3.3.2 感受野与权值共享43-45
• 3.3.3 空间降采样45-46
• 3.4 本章小结46-47
• 第四章 基于卷积神经网络的道路车辆检测系统47-64
• 4.1 将卷积神经网络应用于车辆检测的原因和思路47-48
• 4.2 卷积神经网络车辆检测器的设计48-57
• 4.2.1 车辆分类器的设计思路48
• 4.2.2 卷积神经网络模型48-51
• 4.2.3 数据集的预处理51-53
• 4.2.4 采用反向传播算法训练样本集53-57
• 4.3 卷积神经网络在测试集及实际视频中的检测结果57-63
• 4.3.1 十折交叉验证57
• 4.3.2 车辆检测评估指标介绍57-58
• 4.3.3 在测试样本集的分类结果分析58-61
• 4.3.4 在实际视频流中的检测效果61-63
• 4.4 本章小结63-64
• 第五章 基于空间金字塔池化的多尺度车辆检测64-80
• 5.1 将空间金字塔池化的结构应用于车辆检测的原因和思路64-67
• 5.2 基于空间金字塔池化的车辆分类器设计67-74
• 5.2.1 基于SPP的卷积神经网络车辆分类器结构67-68
• 5.2.2 卷积神经网络车辆分类器中的ZF-5 模型68-69
• 5.2.3 卷积神经网络车辆分类器中的空间金字塔池化层69-71
• 5.2.4 基于SPP的卷积神经网络检测器设计71-73
• 5.2.5 基于SPP的卷积神经网络检测器中的非极大值抑制算法73-74
• 5.3 基于空间金字塔池化的卷积神经网络模型分类及检测结果分析74-79
• 5.3.1 基于SPP的卷积神经网络分类器的训练和分类效果分析74-77
• 5.3.2 基于SPP的卷积神经网络车辆检测器效果分析77-79
• 5.4 本章小结79-80
• 总结与展望80-82
• 总结80
• 展望80-82
• 参考文献82-86
• 攻读硕士学位期间取得的研究成果86-87
• 致谢87-88
• 附件88

【相似文献】

中国期刊全文数据库 前10条

1 张文溥;;视频车辆检测技术及发展趋势[J];中国人民公安大学学报(自然科学版);2010年01期

2 刘珠妹;刘亚岚;谭衢霖;任玉环;;高分辨率卫星影像车辆检测研究进展[J];遥感技术与应用;2012年01期

3 钱志明;杨家宽;段连鑫;;基于视频的车辆检测与跟踪研究进展[J];中南大学学报(自然科学版);2013年S2期

4 汤灏;张峰;;车辆检测技术的选用[J];中国交通信息产业;2004年03期

5 文学志;赵宏;王楠;袁淮;;基于知识和外观方法相结合的后方车辆检测[J];东北大学学报(自然科学版);2007年03期

6 刘振华;黄磊;刘昌平;;一种基于视频图像处理的车辆违章检测算法[J];公路交通科技;2012年02期

7 杨阿丽;刘峡壁;魏雪;万玉钗;;用于交通治安卡口的全天候视频车辆检测方法[J];合肥工业大学学报(自然科学版);2012年03期

8 魏凯;盛建平;熊凯;;基于阴影特征的前向车辆检测和测距方法研究[J];机械设计与制造;2013年02期

9 郭磊;李克强;王建强;连小珉;;一种基于特征的车辆检测方法[J];汽车工程;2006年11期

10 李光才;;一种改进的背景重建与更新方法[J];中国水运(下半月);2008年05期

中国重要会议论文全文数据库 前10条

1 钱志明;杨家宽;段连鑫;;基于视频的车辆检测与跟踪研究进展[A];2013年中国智能自动化学术会议论文集（第五分册）[C];2013年

2 闻育;潘霓;;基于磁偏角的车辆检测的研究[A];第二十七届中国控制会议论文集[C];2008年

3 杨阿丽;刘峡壁;魏雪;万玉钗;;用于交通治安卡口的全天候视频车辆检测方法[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 杨淼;;基于卡尔曼滤波的电子警察系统车辆检测算法[A];2011年全国电子信息技术与应用学术会议论文集[C];2011年

5 蒋大林;马军强;;基于视频的车辆检测与跟踪方法综述[A];第六届全国信息获取与处理学术会议论文集（2）[C];2008年

6 邹月娴;王一言;关佩;杨华;陈维荣;;复杂视频背景中的运动车辆检测技术[A];第四届和谐人机环境联合学术会议论文集[C];2008年

7 李舜酩;缪小冬;;视觉车辆检测方法的研究进展及展望[A];2009全国虚拟仪器大会论文集（二）[C];2009年

8 王忠耀;任青春;王少华;郭春生;;基于红外视频的车载行人车辆检测系统[A];浙江省电子学会2013学术年会论文集[C];2013年

9 孙明;孙红;;智能交通系统中车辆的图像检测方法研究[A];农业工程科技创新与建设现代农业——2005年中国农业工程学会学术年会论文集第三分册[C];2005年

10 吴嵘;何培宇;徐自励;段文锋;刘珂含;;一种去背景的车辆检测与跟踪快速算法[A];第十三届全国信号处理学术年会（CCSP-2007）论文集[C];2007年

中国重要报纸全文数据库 前10条

1 记者 何雪峰;宿州简政放权助推县域经济[N];安徽日报;2009年

2 记者 贾瑞芳;检车进企业 温暖送到家[N];河北经济日报;2009年

3 郑利平;湖州车辆检测科研项目通过鉴定[N];中国交通报;2004年

4 张广明;运用高新技术审验运输车辆[N];巴彦淖尔日报(汉);2007年

5 张奇 李小洁;车辆检测，为何招来怨声一片[N];检察日报;2002年

6 本报记者 侯莎莎;车辆年检强制免费换牌钉[N];北京日报;2012年

7 奚荣武　顾刚;昆山：1100万元加强卡口监控[N];人民公安报;2009年

8 见习记者 黄鹏飞;检测要细之又细，事故要坚决压降[N];法治快报;2006年

9 记者 杨耀青;车辆检测更加公正透明[N];西安日报;2011年

10 张贵峰;车检改革应将交通部门纳入其中[N];法制日报;2014年

中国博士学位论文全文数据库 前8条

1 李博;基于层次性与或图模型的车辆检测与解析[D];北京理工大学;2015年

2 刘培勋;车辆主动安全中关于车辆检测与跟踪算法的若干研究[D];吉林大学;2015年

3 张伟;基于视觉的运动车辆检测与跟踪[D];上海交通大学;2007年

4 徐琨;交通视频监控中的车辆检测与跟踪方法研究[D];长安大学;2009年

5 王曾敏;小波图像融合算法及其在视频车辆检测系统中的应用研究[D];天津大学;2009年

6 许洁琼;基于视频图像处理的车辆检测与跟踪方法研究[D];中国海洋大学;2012年

7 严捷丰;交通视频监控中的车辆检测与分割方法研究[D];中国科学技术大学;2008年

8 李卫江;基于线阵CCD成像交通信息采集和检测技术的研究[D];长安大学;2008年

中国硕士学位论文全文数据库 前10条

1 王齐;车辆检测与样本采集系统的研究与设计[D];延边大学;2015年

2 马蓓蓓;基于HOG特征的车辆检测技术研究[D];华南理工大学;2015年

3 张双;基于嵌入式技术的物流跟踪及车辆检测系统设计[D];昆明理工大学;2015年

4 郭敏;基于高速公路大货车违法占道监测系统的车辆检测与跟踪研究[D];西南交通大学;2015年

5 冯乐;基于AMR传感器的车辆信息采集系统[D];天津理工大学;2015年

6 张骁;基于3D空间多部件模型的车辆检测方法研究[D];长安大学;2015年

7 赵倩倩;基于目标特征点跟踪与聚类的车辆检测算法研究[D];长安大学;2015年

8 曹晓明;基于多图像特征金字塔的车辆检测[D];北京交通大学;2016年

9 张璐;视频车辆检测与预警算法的研究与DSP实现[D];东北大学;2014年

10 刘赛;基于形状和表观约束活动基模型的车辆检测技术[D];北京理工大学;2016年

，

本文编号：600676