改进的Faster-Rcnn在车辆检测的应用

发布时间：2022-07-16 19:23

　　车辆检测是计算机视觉领域的热门研究课题,同时也是完善智能交通系统不可或缺的部分。传统机器学习方法采用人工设计的目标特征,在复杂的应用环境中,算法鲁棒性低、泛化能力弱。而卷积神经网络能自主学习目标特征,面对复杂多变的环境依然能保证高准确率,因此应用卷积神经网络方法进行车辆检测受到了广泛的研究,同时也具有重大意义。本文的研究内容有:（1）分析了采用传统机器学习方法和卷积神经网络方法的目标检测算法,随后重点研究了在目标检测中具有重要地位的Faster-Rcnn网络的检测原理;（2）通过分析常用卷积神经网络参数量,提出采用参数量更少的残差结构或者Inception结构代替VGG16网络。（3）卷积神经网络深度不断加深,使得特征图像尺寸减少,最终导致目标特征损失严重,进而出现目标漏检的情况,而浅层语义信息包含丰富的目标位置信息。提出采用特征融合和多尺度预测的方法来解决该问题。（4）卷积神经网络训练时间长同时收敛缓慢,为了缩短训练时间,对车辆数据集中的样本采用K-Means算法聚类重新生成适用于车辆的锚点尺寸。通过将改进后的Faster-Rcnn网络在KITTI数据集上进行实验,结果表明:（1）采... 

【文章页数】：56 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 传统目标检测算法
        1.2.2 基于深度卷积神经网络的目标检测算法
    1.3 本文主要研究内容与组织结构
        1.3.1 主要研究内容
        1.3.2 本文组织结构
2 卷积神经网络基本原理及分析
    2.1 卷积神经网络基本原理
        2.1.1 卷积神经网络基本结构
        2.1.2 卷积神经网络训练
    2.2 常见卷积神经网络模型
        2.2.1 ZF网络
        2.2.2 VGG网络
        2.2.3 GoogleNet网络
        2.2.4 残差网络
        2.2.5 MobileNets
    2.3 卷积神经网络分析
    2.4 非极大值抑制
    2.5 本章小结
3 改进的Faster-Rcnn目标检测算法
    3.1 Faster-Rcnn算法原理
        3.1.1 特征提取网络
        3.1.2 区域生成网络
        3.1.3 目标检测网络
    3.2 特征提取网络的选取
    3.3 区域生成网络的改进
        3.3.1 特征融合
        3.3.2 锚点尺寸重新设置
        3.3.3 多尺度预测
    3.4 本章小结
4 实验及结果分析
    4.1 实验环境与模型训练
        4.1.1 硬件配置
        4.1.2 KITTI数据集
        4.1.3 性能评价指标
    4.2 车辆检测结果分析
        4.2.1 改进特征提取网络结果分析
        4.2.2 改进区域生成网络结果分析
        4.2.3 锚点尺寸重新设置结果分析
    4.3 本章小结
5 总结与展望
    5.1 总结
    5.2 展望
致谢
参考文献
攻读硕士学位期间主要研究成果


【参考文献】：
期刊论文
[1]基于多级特征整合的图像语义分割研究[J]. 徐天宇,孟朝晖.  计算机系统应用. 2019(09)
[2]我国智能交通系统技术发展现状及展望[J]. 金茂菁.  交通信息与安全. 2012(05)
[3]K-means算法研究综述[J]. 吴夙慧,成颖,郑彦宁,潘云涛.  现代图书情报技术. 2011(05)
[4]基于交叉熵的数字图像置乱程度评价方法[J]. 陈燕梅,张胜元.  中国图象图形学报. 2007(06)

博士论文
[1]基于深度学习的图像分类[D]. 孙炜晨.北京邮电大学 2017
[2]图像感兴趣区域提取方法研究[D]. 陈再良.中南大学 2012

硕士论文
[1]云环境下监控视频结构化分析方法研究与实现[D]. 赵晓萌.北京邮电大学 2015



本文编号：3663131