基于R-CNN的车辆检测算法研究

发布时间：2023-04-02 04:09

　　车辆检测在辅助驾驶、交通管理、遥感图像等方面都有着重要应用,随着近些年车辆的不断增多,和人们对于车辆检测技术需求的不断提高,车辆检测已经成为目标检测领域的重要研究对象。传统的目标检测方法可以提高车辆检测的准确率,但无法在复杂场景中取得好的效果,在车辆检测中存在瓶颈。基于深度学习的目标检测方法,使用大量图像数据训练复杂的网络模型,可以提取图像中更深更有效的目标特征,在复杂场景中的检测效果优于传统方法,提高了车辆检测的性能。基于深度学习的目标检测方法是研究者们重要的研究课题,并且取得了非常好的研究成果,在今后的研究和应用方面都有很大潜力。本文在对车辆检测和深度学习等技术研究的基础上,根据多种场景下的样本量不同制定不同的算法对车辆进行检测,为车辆检测性能的改进提供了新思路,主要研究成果如下:(1)针对深度学习车辆检测方法中的检测时间和存储空间问题,我们使用基础组件为深度可分离卷积(Depthwise Separable Convolution,DSC)的MobileNet特征提取网络替代原来Faster R-CNN算法中的VGG网络,通过改变卷积的过程来减少网络卷积中产生的参数量和计算量。并...

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景和意义
    1.2 研究目标
    1.3 国内外研究现状
        1.3.1 光学图像目标检测方法
        1.3.2 SAR图像目标检测方法
    1.4 本文主要的研究工作
    1.5 章节安排
第二章 卷积神经网络和稀疏表示理论基础
    2.1 卷积神经网络
        2.1.1 卷积层
        2.1.2 池化层
        2.1.3 激活函数
        2.1.4 全连接层
    2.2 稀疏表示
第三章 基于Faster R-CNN的车辆检测算法研究
    3.1 引言
    3.2 Faster R-CNN目标检测算法
    3.3 Faster R-CNN算法优化
        3.3.1 基于特征提取网络的优化
        3.3.2 基于RPN网络的优化
    3.4 基于Faster R-CNN的车辆检测算法流程
    3.5 实验环境和参数设置
    3.6 实验结果
    3.7 本章小结
第四章 基于特征融合稀疏表示模型的SAR图像车辆检测方法
    4.1 引言
    4.2 基于特征融合稀疏表示模型的SAR图像车辆检测方法概述
    4.3 SAR图像中可疑区域检测
        4.3.1 灰度增强
        4.3.2 区域合并
    4.4 基于多特征融合的目标确认
    4.5 实验环境和参数设置
    4.6 实验结果
        4.6.1 无融合目标检测
        4.6.2 二值目标检测
        4.6.3 多类别目标检测
    4.7 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
攻读学位期间的研究成果



本文编号：3778505