论文部分内容阅读
车辆检测是智能交通系统中的基础组成部分,解决复杂环境下的车辆检测问题有利于提升整个智能交通系统的鲁棒性。传统的根据人工规则提取特征的车辆检测方法在复杂环境中易受光照、遮挡和形变等因素的影响,泛化能力较差。而区域卷积神经网络及其扩展模型在目标检测任务中具有良好的性能。因此,采用区域卷积神经网络进行车辆检测具有重要意义。本文的主要研究内容如下:1.分析了目前应用广泛的基于深度学习的目标检测方法,重点研究了基于区域卷积神经网络的Faster R-CNN模型以及该模型在车辆检测中的应用。2.针对FasterR-CNN模型在车辆检测应用中存在的两个问题:(1)图像中目标大小不一,小尺寸车辆漏检严重;(2)负样本空间大导致模型判别能力低下。本文对Faster R-CNN模型进行了改进,首先修改锚框尺寸,在特征提取阶段引入多层特征融合策略;其次利用多尺度图像对Faster R-CNN模型进行训练;最后挖掘难负样本,将难负样本加入到训练集中,对模型进行二次训练。3.借助KITTI数据集以及实际环境中采集的数据集来验证改进的Faster R-CNN模型的有效性,并分析了不同锚框尺寸、特征融合层数、训练图像尺度以及难负样本挖掘策略对改进的Faster R-CNN模型检测性能的影响。实验结果表明:(1)基于改进的Faster R-CNN模型的车辆检测方法具有较高的准确率和较快的检测速度;(2)重新设定的锚框尺寸、多层特征融合策略和多尺度训练增加了模型对于小尺寸车辆的检测能力;(3)难负样本挖掘策略能够消除负样本空间大带来的模型判别能力低下的问题。