基于改进Faster R-CNN的视觉车辆检测算法研究
发布时间：2021-10-15 14:20
采用机器视觉对车辆目标进行检测是新一代智能汽车实现自动驾驶的重要一环。虽然带有金字塔结构的检测算法往往有不错的检测精确度同时又有不错的检测效率,并且使用该技术的检测算法在各类自动驾驶场景中都已有所应用,但是当下检测算法模型亟需解决的难点依然存在,具体有如下三个方面:1.对于远处的车辆即在图像中像素较小的车辆目标检测效果不佳;2.对于被遮挡的车辆目标检测效果不佳;3.检测到的目标的定位信息不够精确,会影响车辆目标在图像上的位置坐标到世界坐标系下三维坐标的转换精度。因此当前的大量车辆检测算法仍需要进一步改进解决上述难题。本文对在深度学习图像检测框架下的基于金字塔结构的车辆检测算法Faster R-CNN开展深入研究,研究工作具体如下:（1）在深入分析检测算法中的特征金字塔结构的原理后,提出了一种双路残差双路金字塔结构。其基本思想是使用ResNet提取图片原始特征后,首先将小分辨率特征通过插值放大后与更大一级的大分辨率特征进行融合,然后将各个分辨率的原始特征再与融合完的特征图做相加处理,进一步丰富该层的特征信息,最后将处理完的特征图从大至小的再做一次分辨率减小的特征融合操作,能够对高层特征图...
【文章来源】：江苏大学江苏省
【文章页数】：90 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 课题的研究背景
1.2 车辆检测算法研究进展综述
1.2.1 传统视觉车辆检测算法
1.2.2 基于深度学习的视觉车辆检测算法
1.3 视觉车辆检测技术关键问题分析
1.4 本文的研究内容和意义
1.4.1 研究内容
1.4.2 研究意义
第二章 Faster R-CNN深度学习相关基础理论综述
2.1 深度学习技术
2.1.1 卷积神经网络
2.1.2 卷积神经网络训练过程
2.1.3 ResNet卷积神经网络
2.1.4 交并比方法
2.1.5 金字塔结构
2.2 Softmax分类器
2.3 Faster R-CNN目标识别算法
2.3.1 区域候选框网络
2.3.2 ROI池化
2.3.3 Faster R-CNN算法权值共享策略
2.4 本章小结
第三章 基于双路残差金字塔网络的目标检测算法
3.1 双路残差金字塔网络
3.1.1 自底而上的特征传递回路
3.1.2 残差信息补充支路
3.1.3 可学习的特征加权融合思路
3.2 锚框生成方法的改进
3.3 改进正负样本筛选法
3.4 实验准备
3.4.1 实验数据
3.4.2 训练参数设置
3.4.3 实验评价指标
3.5 实验结果和分析
3.5.1 双路残差金字塔结构的实验结果和分析
3.5.2 自适应锚框的实验结果和分析
3.5.3 平衡采样策略的实验结果和分析
3.5.4 综合实验结果和分析
3.6 本章小结
第四章 基于增强型全局信息感兴趣模块的车辆检测算法
4.1 全局上下文信息补充模块
4.2 自适应ROI增强模块
4.3 改进框回归损失函数
4.3.1 损失函数平衡性的改善
4.3.2 有遮挡下的检测精度的改善
4.4 ROI Pooling的改进
4.5 实验准备
4.5.1 实验数据
4.5.2 实验细节
4.5.3 评价指标
4.6 实验结果与分析
4.6.1 自适应ROI增强模块的实验结果和分析
4.6.2 平衡损失改进的实验结果和分析
4.6.3 吸引力损失改进的实验结果和分析
4.6.4 综合实验结果和分析
4.7 本章小结
第五章 车辆检测算法在无人驾驶平台上的应用
5.1 TensorRT框架简介
5.2 智能驾驶车辆平台简介
5.3 智能车载硬件介绍
5.3.1 数据处理中心硬件介绍
5.3.2 环境感知系统硬件介绍
5.3.3 坐标定位系统的硬件介绍
5.3.4 控制系统的硬件介绍
5.3.5 GPU计算单元的硬件介绍
5.4 车辆检测算法应用
5.4.1 整体框架与显示界面
5.4.2 车辆检测算法在智能驾驶测试平台实验
5.5 本章小结
第六章 总结与展望
6.1 全文总结
6.2 进一步研究的工作展望
参考文献
致谢
攻读学位期间参加的科研项目及学术成果
【参考文献】：
期刊论文
[1]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[2]采用视觉显著性和深度卷积网络的鲁棒视觉车辆识别算法[J]. 蔡英凤,王海,陈龙,江浩斌. 江苏大学学报(自然科学版). 2015(03)
[3]国外车联网智能交通发展状况[J]. 王泉. 中国科技投资. 2014 (34)
[4]基于单目视觉的前方车辆探测方法[J]. 施树明,储江伟,李斌,郭烈,王荣本. 农业机械学报. 2004(04)
硕士论文
[1]互联网行业的反垄断研究[D]. 张小玲.南昌大学 2015
[2]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
[3]道路交通事故的人因分析与驾驶员可靠性研究[D]. 毕建彬.北京交通大学 2012
[4]关于无人驾驶汽车障碍物信息识别与处理系统的研究[D]. 任燕宏.兰州理工大学 2011
[5]图像LBP特征提取的研究与应用[D]. 肖霄.吉林大学 2011
本文编号：3438123
【文章来源】：江苏大学江苏省
【文章页数】：90 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 课题的研究背景
1.2 车辆检测算法研究进展综述
1.2.1 传统视觉车辆检测算法
1.2.2 基于深度学习的视觉车辆检测算法
1.3 视觉车辆检测技术关键问题分析
1.4 本文的研究内容和意义
1.4.1 研究内容
1.4.2 研究意义
第二章 Faster R-CNN深度学习相关基础理论综述
2.1 深度学习技术
2.1.1 卷积神经网络
2.1.2 卷积神经网络训练过程
2.1.3 ResNet卷积神经网络
2.1.4 交并比方法
2.1.5 金字塔结构
2.2 Softmax分类器
2.3 Faster R-CNN目标识别算法
2.3.1 区域候选框网络
2.3.2 ROI池化
2.3.3 Faster R-CNN算法权值共享策略
2.4 本章小结
第三章 基于双路残差金字塔网络的目标检测算法
3.1 双路残差金字塔网络
3.1.1 自底而上的特征传递回路
3.1.2 残差信息补充支路
3.1.3 可学习的特征加权融合思路
3.2 锚框生成方法的改进
3.3 改进正负样本筛选法
3.4 实验准备
3.4.1 实验数据
3.4.2 训练参数设置
3.4.3 实验评价指标
3.5 实验结果和分析
3.5.1 双路残差金字塔结构的实验结果和分析
3.5.2 自适应锚框的实验结果和分析
3.5.3 平衡采样策略的实验结果和分析
3.5.4 综合实验结果和分析
3.6 本章小结
第四章 基于增强型全局信息感兴趣模块的车辆检测算法
4.1 全局上下文信息补充模块
4.2 自适应ROI增强模块
4.3 改进框回归损失函数
4.3.1 损失函数平衡性的改善
4.3.2 有遮挡下的检测精度的改善
4.4 ROI Pooling的改进
4.5 实验准备
4.5.1 实验数据
4.5.2 实验细节
4.5.3 评价指标
4.6 实验结果与分析
4.6.1 自适应ROI增强模块的实验结果和分析
4.6.2 平衡损失改进的实验结果和分析
4.6.3 吸引力损失改进的实验结果和分析
4.6.4 综合实验结果和分析
4.7 本章小结
第五章 车辆检测算法在无人驾驶平台上的应用
5.1 TensorRT框架简介
5.2 智能驾驶车辆平台简介
5.3 智能车载硬件介绍
5.3.1 数据处理中心硬件介绍
5.3.2 环境感知系统硬件介绍
5.3.3 坐标定位系统的硬件介绍
5.3.4 控制系统的硬件介绍
5.3.5 GPU计算单元的硬件介绍
5.4 车辆检测算法应用
5.4.1 整体框架与显示界面
5.4.2 车辆检测算法在智能驾驶测试平台实验
5.5 本章小结
第六章 总结与展望
6.1 全文总结
6.2 进一步研究的工作展望
参考文献
致谢
攻读学位期间参加的科研项目及学术成果
【参考文献】：
期刊论文
[1]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[2]采用视觉显著性和深度卷积网络的鲁棒视觉车辆识别算法[J]. 蔡英凤,王海,陈龙,江浩斌. 江苏大学学报(自然科学版). 2015(03)
[3]国外车联网智能交通发展状况[J]. 王泉. 中国科技投资. 2014 (34)
[4]基于单目视觉的前方车辆探测方法[J]. 施树明,储江伟,李斌,郭烈,王荣本. 农业机械学报. 2004(04)
硕士论文
[1]互联网行业的反垄断研究[D]. 张小玲.南昌大学 2015
[2]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
[3]道路交通事故的人因分析与驾驶员可靠性研究[D]. 毕建彬.北京交通大学 2012
[4]关于无人驾驶汽车障碍物信息识别与处理系统的研究[D]. 任燕宏.兰州理工大学 2011
[5]图像LBP特征提取的研究与应用[D]. 肖霄.吉林大学 2011
本文编号：3438123
本文链接：https://www.wllwen.com/kejilunwen/qiche/3438123.html
