施工场景下工程车检测与车型识别研究
发布时间：2020-05-25 18:26
【摘要】：近几年,随着国家城市化的迅速发展,大量的土地得到了开发,施工现象屡见不鲜,像吊车、挖掘机等大型工程车也是随处可见。工程车这一类特殊车型的车辆破坏性很强,稍不注意就会对周围的人或物造成不可挽回的损伤,带来巨大的经济损失。利用智能视频图像监控技术对车辆的状况进行检测和识别,可以及时、高效地阻止危险的发生,其中关键技术是车辆检测。应用车辆检测技术对工程车进行检测,实现对施工场景中停放或作业的工程车的监控需求,准确预警,降低了成本和预防了危险,对工人的人身安全提供保障。本论文着重研究基于深度学习的工程车检测与识别技术,主要解决两类关键问题:一是在复杂背景中工程车目标因拍摄角度和高度的不同导致的尺度多变问题,二是工程车部件灵活,造成自身外观形变较大的问题。因此,下面是本论文的主要工作:(1)将从多种施工场景中采集在不同角度下拍摄的不同型号、不同形态的工程车辆图像构成样本集,主要车型有吊车和挖掘机,然后参照标准数据集格式创建工程车数据集。而且为了防止在少量有效样本的条件下训练地模型出现过拟合现象,通过数据增强技术进行扩充,增加数据集的多样性,提升模型的泛化能力。(2)针对图像中工程车尺度多变而大小固定的候选框无法完全适应目标的问题,提出一种基于自适应搜索的工程车检测与车型识别算法,通过利用邻接和缩放网络自适应生成候选建议区域,能更好地处理一张图像中出现不同尺度的目标,并在检测器中添加在线难例挖掘算法,解决样本类别不均匀的情况,提高模型的泛化性,增加训练的有效性,在工程车数据集上平均精度均值为91.6%。(3)提出一种基于全局和局部卷积特征融合的工程车检测与车型识别算法,可以同时解决工程车目标检测、识别时出现的尺度不一、形变复杂等问题。算法通过建立多尺度感兴趣区域池化层获得图像整体结构和上下文信息,提取出目标的全局特征,并利用位置敏感感兴趣区域池化层提取出目标局部特征,在全连接层处对全局和局部特征进行加权融合,最后通过多任务学习联合预测出车辆位置和类别,在工程车数据集上平均精度均值可达92.5%,验证了全局和局部特征具有较好的互补性。
【图文】：
图 2-3 Faster RCNN 算法框架图CNN 算法主要流程是输入一张任意大小的图片，使用卷积征提取，再使用 RPN 网络生成候选区建议框，在训练过程选区域框，并筛选出最优的 300 个候选区域，在感兴趣池积特征提取出来，并生成固定尺寸。最后使用 Softmax Loss类识别和边界回归训练，能够共享卷积特征，并相互促进。辆检测上，可以有效地提高车辆检测的准确性和鲁棒性，于 YOLO 的目标检测与识别oseph Redmon 在 CVPR 上发表了 YOLOV1 算法[20]，将目问题，输入图片仅仅经过一个神经网络，直接得到边界框概率，标准的 YOLO 版本每秒可以实时地处理 45 帧图像度可以达到每秒 150 帧，并且每个网络对目标进行预测时着 YOLO 算法可以在保证精度的前提下进行实时检测。但欠缺，主要的原因是未采用区域提名机制，而是使用网格
图划分为的网格，如果目标位于某个网格单元中心，那么该网络单元负责该目标的检测，即输出预测的置信度、类别以及定位坐标，然后使用非极大值抑制算法（Non-MaximumSuppression，NMS）迭代去除重叠冗余的候选区域框，，达到最优的预测效果。YOLOV2 算法在 YOLOV1 的基础上改进了基础网络，减少提取特征的计算量，其次引入了 Faster RCNN 的锚框机制，并且在训练过程中采用多尺度训练，使得算法在速度和精度上得到了很大的提升，但是对于重叠目标，以及小目标的检测效果较差。YOLOV3 在之前版本的基础网络进行了优化，并采用多尺度预测，对于小目标的检测效果得到了明显的提升。该类检测算法满足车辆检测的实时性需求，并具有强鲁棒性，能够快速的完成车辆检测任务。2.2.3 基于 SSD 的目标检测与识别Wei Liu 等人在 ECCV2016 上提出了 SSD 算法[23]，SSD 的全称为 Single ShotMultiBoxDetector，其网络分为两部分，第一部分是用于图像分类的标准网络，去掉了分类相关的层，第二部分的网络是利用卷积神经网络可以生成不同感受野的特征，实现检测不同大小的目标，主要的目标就是解决 YOLOV1 的缺点。SSD 借鉴了 FasterR-CNN 中 Anchor 机制，所以在保持类似 YOLOV1 的检测速度的同时，效果也提升很多。
【学位授予单位】：西南科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TU60;TP391.41;TP18
【图文】：
图 2-3 Faster RCNN 算法框架图CNN 算法主要流程是输入一张任意大小的图片，使用卷积征提取，再使用 RPN 网络生成候选区建议框，在训练过程选区域框，并筛选出最优的 300 个候选区域，在感兴趣池积特征提取出来，并生成固定尺寸。最后使用 Softmax Loss类识别和边界回归训练，能够共享卷积特征，并相互促进。辆检测上，可以有效地提高车辆检测的准确性和鲁棒性，于 YOLO 的目标检测与识别oseph Redmon 在 CVPR 上发表了 YOLOV1 算法[20]，将目问题，输入图片仅仅经过一个神经网络，直接得到边界框概率，标准的 YOLO 版本每秒可以实时地处理 45 帧图像度可以达到每秒 150 帧，并且每个网络对目标进行预测时着 YOLO 算法可以在保证精度的前提下进行实时检测。但欠缺，主要的原因是未采用区域提名机制，而是使用网格
图划分为的网格，如果目标位于某个网格单元中心，那么该网络单元负责该目标的检测，即输出预测的置信度、类别以及定位坐标，然后使用非极大值抑制算法（Non-MaximumSuppression，NMS）迭代去除重叠冗余的候选区域框，，达到最优的预测效果。YOLOV2 算法在 YOLOV1 的基础上改进了基础网络，减少提取特征的计算量，其次引入了 Faster RCNN 的锚框机制，并且在训练过程中采用多尺度训练，使得算法在速度和精度上得到了很大的提升，但是对于重叠目标，以及小目标的检测效果较差。YOLOV3 在之前版本的基础网络进行了优化，并采用多尺度预测，对于小目标的检测效果得到了明显的提升。该类检测算法满足车辆检测的实时性需求，并具有强鲁棒性，能够快速的完成车辆检测任务。2.2.3 基于 SSD 的目标检测与识别Wei Liu 等人在 ECCV2016 上提出了 SSD 算法[23]，SSD 的全称为 Single ShotMultiBoxDetector，其网络分为两部分，第一部分是用于图像分类的标准网络，去掉了分类相关的层，第二部分的网络是利用卷积神经网络可以生成不同感受野的特征，实现检测不同大小的目标，主要的目标就是解决 YOLOV1 的缺点。SSD 借鉴了 FasterR-CNN 中 Anchor 机制，所以在保持类似 YOLOV1 的检测速度的同时，效果也提升很多。
【学位授予单位】：西南科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TU60;TP391.41;TP18
【相似文献】
相关期刊论文 前10条
1 王鹏;郭朋军;郭建宇;;激光车型识别技术研究和应用[J];中国交通信息化;2019年S1期
2 李勇;张玮;;基于多维视频技术的车型识别系统[J];中国交通信息化;2017年12期
3 宋俊芳;;基于3D模型的精确车型识别[J];智能城市;2018年08期
4 汤锐;刘玉锦;;车型识别技术在打击高速公路逃费中的应用[J];中国交通信息化;2017年10期
5 颜卓旺;;基于历史数据的车型识别方案[J];中国交通信息化;2012年03期
6 江卫强;;Freeman编码及其在车型识别中的应用[J];机械工业自动化;1988年03期
7 费东炜;孙涵;;一种基于Bilinear-HashNet网络的车型识别方法[J];小型微型计算机系统;2019年08期
8 康s顂
本文编号：2680560
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/2680560.html
