基于深度特征的车辆检测与跟踪
发布时间：2021-06-17 06:07
智能交通系统作为一种先进的交通管理技术,越来越受到人们的重视,同时随着计算机硬件水平的提升,许多复杂算法所带来的实时计算困难的问题已逐渐突破。本文所研究的车辆检测技术是道路安全监控系统中的重要组成部分,该研究对于智能交通系统的发展有着重大意义。本文首先研究了车辆的特征提取方法。针对卷积神经网络所提取的单层图像特征信息不充分的问题,同时为了降低车辆行驶过程中自然环境（光照强度及拍摄角度的变化、背景多样性等）的干扰,以及在训练过程中节约内存、加快计算速度,本文提出将CNN后三层特征融合,并经PCA降维后输入SVM分类器的车辆识别方法。该方法以AlexNet模型为基础,通过实验对比不同参数的测试正确率,构建卷积神经网络模型,得到最优车辆识别系统;采用串行融合方法将所提取的网络后三层车辆特征图进行融合,并通过主成分分析得到一个信息充分的车辆特征向量,以提高车辆识别的准确性和实时性;为了增强模型泛化能力与纠错能力,将CNN的SoftMax采用SVM分类器代替,实现车辆识别。实验结果表明,相比传统特征提取方法,本文方法显著提高了车辆识别速度和分类精度,且具有良好的鲁棒性。其次研究了目标检测与跟踪算...
【文章来源】：西北师范大学甘肃省
【文章页数】：57 页
【学位级别】：硕士
【部分图文】：
卷积操作示意图
最大池化与平
第2章基于深度特征的车辆识别10面优化网络，构建多层特征和SVM相结合的车辆网络模型，如图2-3所示。图2-3车辆识别模型结构图本文车辆识别模型结构分三步完成1）设计车辆识别基础网络结构。收集车辆数据集并分析该数据集特点，根据经验设定不同的网络结构进行实验，选出适合该数据集的网络；2）多层特征融合与降维。针对传统CNN仅将端层特征用于车辆识别，丢失了一些重要信息，本文将多层特征融合，并利用PCA算法进行降维处理后再用于车辆识别；3）将降维后的特征输入SVM分类器进行分类。2.2.1基于AlexNet的CNN网络结构设计卷积神经网络的性能受许多参数影响，AlexNet网络模型通过ImageNet[23]数据训练得到，训练集的数据量达到百万级。这也是AlexNet网络模型取得较好成绩的重要原因。而在现实的研究工作中收集如此大的数据集是不容易的，并且对于硬件处理的要求也较为严格，本文对车辆进行识别，只分为了车辆和非车辆两类。通过自己收集数据进行训练测试，所得到的数据集有限，并且硬件条件较为基矗在此种情况下，要做到着重关注模型结构设计和网络参数设置的合理性，车辆二分类的准确率以及网络损失函数的收敛状态。表2-1为基于AlexNet网络与数据集的特点所提出的7种对比网络，以此来确定最终所使用的车辆识别网络。
【参考文献】：
期刊论文
[1]多尺度上下文信息增强的显著目标检测全卷积网络[J]. 凌艳,陈莹. 计算机辅助设计与图形学学报. 2019(11)
[2]基于增强Tiny YOLOV3算法的车辆实时检测与跟踪[J]. 刘军,后士浩,张凯,张睿,胡超超. 农业工程学报. 2019(08)
[3]改进的YOLO V3算法及其在小目标检测中的应用[J]. 鞠默然,罗海波,王仲博,何淼,常铮,惠斌. 光学学报. 2019(07)
[4]基于语义DCNN特征融合的细粒度车型识别模型[J]. 杨娟,曹浩宇,汪荣贵,薛丽霞. 计算机辅助设计与图形学学报. 2019(01)
[5]基于Darknet框架下YOLO v2算法的车辆多目标检测方法[J]. 李珣,刘瑶,李鹏飞,张蕾,赵征凡. 交通运输工程学报. 2018(06)
[6]基于YOLO＿v2模型的车辆实时检测[J]. 黎洲,黄妙华. 中国机械工程. 2018(15)
[7]基于集成卷积神经网络的遥感影像场景分类[J]. 张晓男,钟兴,朱瑞飞,高放,张作省,鲍松泽,李竺强. 光学学报. 2018(11)
[8]区域建议网络的细粒度车型识别[J]. 杨娟,曹浩宇,汪荣贵,薛丽霞,胡敏. 中国图象图形学报. 2018(06)
[9]基于CNN多层特征和ELM的交通标志识别[J]. 孙伟,杜宏吉,张小瑞,赵玉舟,杨翠芳. 电子科技大学学报. 2018(03)
[10]深度神经网络并行化研究综述[J]. 朱虎明,李佩,焦李成,杨淑媛,侯彪. 计算机学报. 2018(08)
硕士论文
[1]摄像头运动状态下目标特征提取和跟踪的研究[D]. 欧晓文.华南理工大学 2015
本文编号：3234633
【文章来源】：西北师范大学甘肃省
【文章页数】：57 页
【学位级别】：硕士
【部分图文】：
卷积操作示意图
最大池化与平
第2章基于深度特征的车辆识别10面优化网络，构建多层特征和SVM相结合的车辆网络模型，如图2-3所示。图2-3车辆识别模型结构图本文车辆识别模型结构分三步完成1）设计车辆识别基础网络结构。收集车辆数据集并分析该数据集特点，根据经验设定不同的网络结构进行实验，选出适合该数据集的网络；2）多层特征融合与降维。针对传统CNN仅将端层特征用于车辆识别，丢失了一些重要信息，本文将多层特征融合，并利用PCA算法进行降维处理后再用于车辆识别；3）将降维后的特征输入SVM分类器进行分类。2.2.1基于AlexNet的CNN网络结构设计卷积神经网络的性能受许多参数影响，AlexNet网络模型通过ImageNet[23]数据训练得到，训练集的数据量达到百万级。这也是AlexNet网络模型取得较好成绩的重要原因。而在现实的研究工作中收集如此大的数据集是不容易的，并且对于硬件处理的要求也较为严格，本文对车辆进行识别，只分为了车辆和非车辆两类。通过自己收集数据进行训练测试，所得到的数据集有限，并且硬件条件较为基矗在此种情况下，要做到着重关注模型结构设计和网络参数设置的合理性，车辆二分类的准确率以及网络损失函数的收敛状态。表2-1为基于AlexNet网络与数据集的特点所提出的7种对比网络，以此来确定最终所使用的车辆识别网络。
【参考文献】：
期刊论文
[1]多尺度上下文信息增强的显著目标检测全卷积网络[J]. 凌艳,陈莹. 计算机辅助设计与图形学学报. 2019(11)
[2]基于增强Tiny YOLOV3算法的车辆实时检测与跟踪[J]. 刘军,后士浩,张凯,张睿,胡超超. 农业工程学报. 2019(08)
[3]改进的YOLO V3算法及其在小目标检测中的应用[J]. 鞠默然,罗海波,王仲博,何淼,常铮,惠斌. 光学学报. 2019(07)
[4]基于语义DCNN特征融合的细粒度车型识别模型[J]. 杨娟,曹浩宇,汪荣贵,薛丽霞. 计算机辅助设计与图形学学报. 2019(01)
[5]基于Darknet框架下YOLO v2算法的车辆多目标检测方法[J]. 李珣,刘瑶,李鹏飞,张蕾,赵征凡. 交通运输工程学报. 2018(06)
[6]基于YOLO＿v2模型的车辆实时检测[J]. 黎洲,黄妙华. 中国机械工程. 2018(15)
[7]基于集成卷积神经网络的遥感影像场景分类[J]. 张晓男,钟兴,朱瑞飞,高放,张作省,鲍松泽,李竺强. 光学学报. 2018(11)
[8]区域建议网络的细粒度车型识别[J]. 杨娟,曹浩宇,汪荣贵,薛丽霞,胡敏. 中国图象图形学报. 2018(06)
[9]基于CNN多层特征和ELM的交通标志识别[J]. 孙伟,杜宏吉,张小瑞,赵玉舟,杨翠芳. 电子科技大学学报. 2018(03)
[10]深度神经网络并行化研究综述[J]. 朱虎明,李佩,焦李成,杨淑媛,侯彪. 计算机学报. 2018(08)
硕士论文
[1]摄像头运动状态下目标特征提取和跟踪的研究[D]. 欧晓文.华南理工大学 2015
本文编号：3234633
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3234633.html
