论文部分内容阅读
对自然场景中车辆的检测是自动驾驶技术和智能交通系统的基本组成部分,也是车牌识别、车型识别能够实现的前提条件,具有非常重要的研究意义和实用价值。传统的车辆检测方法主要基于图像的特征提取和分类实现,过于依赖人工选取的浅层特征,在复杂、陌生环境下会大大降低识别的效率和准确率,具有很大的局限性且性能难以优化。近年来,随着深度学习理论的不断完善,其能自动提取特征的特点大大降低了上述问题的难度,能够获得更高的检测准确率。本文以深度学习知识为理论支撑,对基于快速候选区提取和目标识别网络双阶段实现的车辆检测框架进行了探索,针对现有车辆检测算法的局限性,设计对自然交通场景下的车辆进行精确检测的方法,主要进行了以下工作:首先,针对目前候选区提取算法处理速度较慢、候选区定位精确度不高的问题,提出一个reBING-MLBP算法来快速生成一组可能包含车辆目标的候选区并进行打分排序,该算法结合了梯度和LBP特征的优点,并利用目标的边缘轮廓和超像素融合技术优化候选区,在12ms内可以生成1000个高质量的候选区,达到96.2%的DR值和79.3%的MABO值,解决了车辆检测算法的处理速度受限于候选区提取算法性能瓶颈的问题。进一步地,将reBING-MLBP算法与CNN网络联合起来实现了一个车辆检测方法,并在VOC2007数据集和KITTI数据集上进行了实验,获得了比Fast R-CNN检测算法更高的检测率和更快的处理速度。其次,为了能够在背景复杂多变的交通场景中实现对车辆目标更精确的定位和识别,基于特征金字塔结构实现了一个多尺度CNN网络的车辆检测方法。使用结构更简单、层数更深的ResNet-50网络提取CNN特征,使用RPN区域建议网络提取候选区,构建了一个端到端实现的检测网络,并引入特征金字塔结构获得多尺度信息,引入RoI Align区域映射池化策略提高对小尺寸车辆目标的检测率。在KITTI Car数据集上进行实验和对比分析,在重叠阈值为0.7时AP值达到了 88.88%,每张图片的检测时间仅为0.4s,从而可以在复杂的自然场景和交通环境中得到实际应用。