基于深度学习的视频车辆检测算法的研究与实现
发布时间：2022-12-11 03:03
随着人工智能技术的快速发展,车辆检测作为模式识别的核心,受到了广泛的关注。它是智能辅助驾驶系统,乃至车辆无人驾驶的基础。传统的车辆检测算法,是利用图像序列中的运动车辆形状、色彩、边界特征等方面的差异,检测出运动车辆。然而,由于环境中的天气影响光照强度、遮挡物阴影、目标运动车辆的不确定性、背景复杂等因素影响,使得传统算法对车辆要同时具备高鲁棒性和高精度的检测变得十分困难,最终的检测效果也不理想。本文从传统的车辆检测算法入手,针对算法中遇到的困难与缺陷,提出了一些新的算法框架。论文的主要工作和研究成果体现如下:1.在传统的车辆检测算法中,由于车辆间相互遮挡、交通场景复杂以及车辆检测模型稳定性不高等问题的存在,使得车辆检测的效果不尽人意。为此,本文提出了一种基于Haar特征和AdaBoost分类器的车辆检测算法。论文首先利用车载摄像头采集的道路车辆数据集训练弱分类器,再筛选出最佳弱分类器并按照一定权重组合成一个AdaBoost强分类器,并结合现有的OpenCV在图像识别方面的函数库实现对道路车辆的检测。从检测结果可以看出,该算法对道路车辆具有良好的检测效果,突破了传统检测算法的瓶颈。但是仍然...
【文章页数】：75 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 基于非特征的检测方法
1.2.2 基于特征的检测方法
1.2.3 基于深度学习的检测方法
1.3 本文研究内容及组织架构
1.3.1 本文研究内容
1.3.2 本文组织架构
1.4 本章小结
第2章 基于HAAR特征和ADABOOST分类器的前方车辆检测
2.1 路面信息预处理
2.1.1 图像灰度化处理
2.1.2 感兴趣区域的二值化处理
2.1.3 车道线标记
2.2 HAAR-LIKE特征
2.2.1 HAAR-LIKE原理
2.2.2 基于积分通道的HAAR特征提取
2.3 ADABOOST算法
2.4 滑动窗口检测
2.5 算法性能分析
2.5.1 算法评价指标
2.5.2 实验一:算法性能测试与比较
2.5.3 实验二:车辆检测效果展示
2.6 本章小结
第3章 基于深度学习的目标检测算法概述
3.1 深度学习的相关知识
3.1.1 深度学习简介
3.1.2 反向传播算法
3.1.3 卷积神经网络
3.2 SOFTMAX回归模型
3.3 基于区域提名的检测方法
3.3.1 R-CNN检测框架
3.3.2 SPP-NET检测框架
3.3.3 FAST R-CNN检测框架
3.3.4 FASTER R-CNN检测框架
3.4 基于端到端的检测方法
3.4.1 YOLO检测框架
3.4.2 SSD检测框架
3.5 本章小结
第4章 基于级联型IRPN网络的车辆检测算法
4.1 引言
4.2 区域建议网络框架
4.2.1 建议区域的生成
4.2.2 损失函数
4.2.3 预选区域的训练
4.2.4 非极大抑制
4.3 级联型IRPN算法
4.3.1 RPN和 FAST R-CNN网络的级联结构
4.3.2 级联型IRPN网络的训练
4.3.3 实验结果与分析
4.4 本章小结
第5章 基于改进卷积神经网络的快速车辆检测算法
5.1 引言
5.2 网络结构组成
5.2.1 深度卷积网络DCN
5.2.2 建议网络LPN
5.2.3 微调网络FTN
5.3 HYPER特征与特征连接
5.3.1 HYPER特征
5.3.2 特征连接
5.4 训练
5.4.1 多阶段损失函数
5.4.2 网络训练
5.5 实验结果分析
5.5.1实验一:控制变量实验
5.5.2实验二:算法性能比较实验
5.5.3 实验三:车辆检测效果展示
5.6 本章小结
第6章 总结与展望
6.1 总结
6.2 展望
致谢
参考文献
附录
【参考文献】：
期刊论文
[1]基于背景减法和帧间差分法的视频运动目标检测方法[J]. 沈瑜,王新新. 自动化与仪器仪表. 2017(04)
[2]基于区域建议网络的行人检测[J]. 王琴芳,应娜. 通信技术. 2017(03)
[3]一种结合帧间差分法与光流法的运动目标检测[J]. 冯训伟. 法制博览. 2017(03)
[4]基于车道线的前方车辆检测方法研究[J]. 贾世杰,刘金环,于梦晗,祁晓婷. 大连交通大学学报. 2015(05)
[5]彩色自然场景下的多特征融合车辆检测算法[J]. 陈明亮,岑峰. 系统仿真技术. 2015(03)
[6]基于多尺度特征近似计算的行人检测方法[J]. 崔剑,侯晓荣. 电脑与电信. 2015(04)
[7]基于背景差分法的视频目标检测算法研究[J]. 汪国强,盖琪琳,于怀勇,文雪,任天威. 黑龙江大学工程学报. 2014(04)
[8]一种改进Hough变换的车道线检测算法[J]. 王全. 计算机与数字工程. 2014(11)
[9]基于新Haar-like特征的Adaboost人脸检测算法[J]. 江伟坚,郭躬德,赖智铭. 山东大学学报(工学版). 2014(02)
[10]基于多特征融合的前向车辆检测方法[J]. 李星,郭晓松,郭君斌. 计算机工程. 2014(02)
硕士论文
[1]摄像头网络中车辆检测和识别方法的研究[D]. 彭锦佳.大连海事大学 2017
[2]基于深度学习的车辆检测方法研究[D]. 张文桂.华南理工大学 2016
[3]基于LBP的图像纹理特征的提取及应用[D]. 赵玉丹.西安邮电大学 2015
[4]多特征融合的行人检测算法的研究和实现[D]. 柳建为.杭州电子科技大学 2015
[5]基于视频的运动目标检测算法研究[D]. 王霏.吉林大学 2014
[6]基于光流的动态场景中运动车辆检测与跟踪算法研究[D]. 高磊.中国科学技术大学 2014
[7]灰度图像的直方图均衡化处理研究[D]. 陈永亮.安徽大学 2014
[8]基于Android平台的视觉手势识别研究[D]. 王赞超.西安电子科技大学 2013
[9]基于单目视觉的辅助驾驶系统中的图像处理研究[D]. 韦庭.电子科技大学 2012
[10]基于多特征的前方车辆检测与跟踪方法研究[D]. 张玲增.江苏大学 2010
本文编号：3718016
【文章页数】：75 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 基于非特征的检测方法
1.2.2 基于特征的检测方法
1.2.3 基于深度学习的检测方法
1.3 本文研究内容及组织架构
1.3.1 本文研究内容
1.3.2 本文组织架构
1.4 本章小结
第2章 基于HAAR特征和ADABOOST分类器的前方车辆检测
2.1 路面信息预处理
2.1.1 图像灰度化处理
2.1.2 感兴趣区域的二值化处理
2.1.3 车道线标记
2.2 HAAR-LIKE特征
2.2.1 HAAR-LIKE原理
2.2.2 基于积分通道的HAAR特征提取
2.3 ADABOOST算法
2.4 滑动窗口检测
2.5 算法性能分析
2.5.1 算法评价指标
2.5.2 实验一:算法性能测试与比较
2.5.3 实验二:车辆检测效果展示
2.6 本章小结
第3章 基于深度学习的目标检测算法概述
3.1 深度学习的相关知识
3.1.1 深度学习简介
3.1.2 反向传播算法
3.1.3 卷积神经网络
3.2 SOFTMAX回归模型
3.3 基于区域提名的检测方法
3.3.1 R-CNN检测框架
3.3.2 SPP-NET检测框架
3.3.3 FAST R-CNN检测框架
3.3.4 FASTER R-CNN检测框架
3.4 基于端到端的检测方法
3.4.1 YOLO检测框架
3.4.2 SSD检测框架
3.5 本章小结
第4章 基于级联型IRPN网络的车辆检测算法
4.1 引言
4.2 区域建议网络框架
4.2.1 建议区域的生成
4.2.2 损失函数
4.2.3 预选区域的训练
4.2.4 非极大抑制
4.3 级联型IRPN算法
4.3.1 RPN和 FAST R-CNN网络的级联结构
4.3.2 级联型IRPN网络的训练
4.3.3 实验结果与分析
4.4 本章小结
第5章 基于改进卷积神经网络的快速车辆检测算法
5.1 引言
5.2 网络结构组成
5.2.1 深度卷积网络DCN
5.2.2 建议网络LPN
5.2.3 微调网络FTN
5.3 HYPER特征与特征连接
5.3.1 HYPER特征
5.3.2 特征连接
5.4 训练
5.4.1 多阶段损失函数
5.4.2 网络训练
5.5 实验结果分析
5.5.1实验一:控制变量实验
5.5.2实验二:算法性能比较实验
5.5.3 实验三:车辆检测效果展示
5.6 本章小结
第6章 总结与展望
6.1 总结
6.2 展望
致谢
参考文献
附录
【参考文献】：
期刊论文
[1]基于背景减法和帧间差分法的视频运动目标检测方法[J]. 沈瑜,王新新. 自动化与仪器仪表. 2017(04)
[2]基于区域建议网络的行人检测[J]. 王琴芳,应娜. 通信技术. 2017(03)
[3]一种结合帧间差分法与光流法的运动目标检测[J]. 冯训伟. 法制博览. 2017(03)
[4]基于车道线的前方车辆检测方法研究[J]. 贾世杰,刘金环,于梦晗,祁晓婷. 大连交通大学学报. 2015(05)
[5]彩色自然场景下的多特征融合车辆检测算法[J]. 陈明亮,岑峰. 系统仿真技术. 2015(03)
[6]基于多尺度特征近似计算的行人检测方法[J]. 崔剑,侯晓荣. 电脑与电信. 2015(04)
[7]基于背景差分法的视频目标检测算法研究[J]. 汪国强,盖琪琳,于怀勇,文雪,任天威. 黑龙江大学工程学报. 2014(04)
[8]一种改进Hough变换的车道线检测算法[J]. 王全. 计算机与数字工程. 2014(11)
[9]基于新Haar-like特征的Adaboost人脸检测算法[J]. 江伟坚,郭躬德,赖智铭. 山东大学学报(工学版). 2014(02)
[10]基于多特征融合的前向车辆检测方法[J]. 李星,郭晓松,郭君斌. 计算机工程. 2014(02)
硕士论文
[1]摄像头网络中车辆检测和识别方法的研究[D]. 彭锦佳.大连海事大学 2017
[2]基于深度学习的车辆检测方法研究[D]. 张文桂.华南理工大学 2016
[3]基于LBP的图像纹理特征的提取及应用[D]. 赵玉丹.西安邮电大学 2015
[4]多特征融合的行人检测算法的研究和实现[D]. 柳建为.杭州电子科技大学 2015
[5]基于视频的运动目标检测算法研究[D]. 王霏.吉林大学 2014
[6]基于光流的动态场景中运动车辆检测与跟踪算法研究[D]. 高磊.中国科学技术大学 2014
[7]灰度图像的直方图均衡化处理研究[D]. 陈永亮.安徽大学 2014
[8]基于Android平台的视觉手势识别研究[D]. 王赞超.西安电子科技大学 2013
[9]基于单目视觉的辅助驾驶系统中的图像处理研究[D]. 韦庭.电子科技大学 2012
[10]基于多特征的前方车辆检测与跟踪方法研究[D]. 张玲增.江苏大学 2010
本文编号：3718016
本文链接：https://www.wllwen.com/kejilunwen/qiche/3718016.html
