基于深度學(xué)習(xí)的車輛檢測算法研究與實現(xiàn).pdf

1、隨著經(jīng)濟快速發(fā)展，城市人口和機動車擁有量急劇增長，交通流量日益增大，擁擠堵塞情況日趨嚴重。為了減輕交通壓力，最關(guān)鍵的是要對車流量進行精確統(tǒng)計從而實現(xiàn)合理分流，而想要達到這個目的，車輛的自動檢測就成了至關(guān)重要的一步。此外，近年來路面監(jiān)控攝像頭大幅增加也為車輛檢測提供了硬件條件。因此，對監(jiān)控視頻實時自動檢測車輛技術(shù)進行深入研究，提高其檢測精度，具有重要的現(xiàn)實意義。
　　傳統(tǒng)方法對視頻監(jiān)控圖像的處理已有長足的發(fā)展，但是對背景和光線的干擾

2、，雨雪黑夜等惡劣天氣的影響以及視頻監(jiān)控圖像中車輛的重疊問題依然效果不佳，而且傳統(tǒng)方法的耗時過長無法滿足實時性的需求。深度學(xué)習(xí)技術(shù)作為目前最炙手可熱的技術(shù)之一，已經(jīng)在很多領(lǐng)域展現(xiàn)出了驚人的能力。使用卷積神經(jīng)網(wǎng)絡(luò)來對圖像進行檢測是深度學(xué)習(xí)在圖像處理上的一大應(yīng)用。本文對傳統(tǒng)的車輛檢測方法進行了歸納和總結(jié)，針對其不足之處，首次將一種新的基于深度學(xué)習(xí)的檢測算法應(yīng)用在車輛檢測中，重在解決傳統(tǒng)方法無法解決的問題。
　　首先，對經(jīng)典的傳統(tǒng)車輛檢測

3、算法進行深入研究，詳細介紹算法的原理，對比它們在本文復(fù)雜場景下的檢測結(jié)果并分析其各自的優(yōu)缺點，得出結(jié)論它們并不適用于本文所要求的場景，由此提出本文基于深度學(xué)習(xí)的車輛檢測算法。算法單獨訓(xùn)練RPN網(wǎng)絡(luò)和Fast RCNN網(wǎng)絡(luò)，并對它們進行交替訓(xùn)練實現(xiàn)卷積層共享，以此來構(gòu)成一個統(tǒng)一的網(wǎng)絡(luò)實現(xiàn)車輛的檢測。
　　其次，對深度學(xué)習(xí)框架 Caffe的特性、搭建環(huán)境和復(fù)雜的搭建步驟進行詳細介紹，分析在Caffe框架上搭建本文算法所使用的網(wǎng)絡(luò)模型以

4、及網(wǎng)絡(luò)參數(shù)、訓(xùn)練參數(shù)的設(shè)置。把在晴天、陰天、雨天、雪天、夜晚、車輛重疊六種情況下拍攝的視頻轉(zhuǎn)換成20000張樣本圖片，并對每張圖片中的車輛進行標定，得到自制數(shù)據(jù)集，繼而采用梯度下降法對其進行訓(xùn)練，得到車輛檢測網(wǎng)絡(luò)。
　　最后，用六種不同場景下的樣本圖片分別對本文算法和其他幾種算法進行測試，從檢測準確率和實時性兩個方面對各算法進行總結(jié)，并分析它們各自的優(yōu)缺點。
　　相較于傳統(tǒng)的車輛檢測算法，本文算法檢測準確率更高，實時性更好，