用于车辆红外检测的小型深度神经网络研究

摘要

近年来，随着红外技术的迅猛发展以及产品成本的逐渐降低，其在军用以及民用领域得到普遍认可与应用。红外成像技术具备作用距离远、隐蔽性高、穿透能力强以及全天候工作的特点，这些特点让红外图像的识别与检测成为模式识别的重要研究方向。利用红外目标识别与检测技术对车辆进行全天候监控，成为智能交通系统的重要环节。本文结合深度网络的特征学习能力，设计目标检测网络SmallNet对红外车辆进行识别与检测。主要内容包含以下方面： 在分析分类基础网络和目标检测网络的结构和原理后，利用深度学习开源框架caffe(Convolutional Architecture for Fast Feature Embedding)训练小型网络ResNet-18，并将训练结果作为检测网络中预训练基础网络，这样能极大程度上提升目标网络识别与检测速度，满足目标检测的实时性要求。 利用SENet提出的Squeeze-and-Excitation单元改进ResNet-18网络结构，提出SE-ResNet-18网络，并用已训练的ResNet-18网络模型上对SE-ResNet-18网络进行微调，在缩短训练时间的前提下，提高基础网络的分类精度。 借鉴light-head的设计思想，将位置敏感ROI池化层(Position-sensitive ROI pooling layer)后的平均池化层替换成全连接层，并采用一维行列方向卷积串联的方式生成特征图，该方式能取得二维大卷积所能达到的同样效果，最终弥补了网络层数少导致损失部分检测精度的缺陷。 将原始目标检测数据集PASCAL VOC2007与PASCAL VOC2012中RGB图像转换成灰度图像，并在图像中施加高斯噪声。在自制红外测试集上，采取上述转换后的数据集训练而得到模型的检测精度要远高于可见光数据集训练得到模型精度。 采用ResNet-18以及改进网络、位置敏感ROI池化以及分别用于分类与坐标回归的全连接层等结构构建轻量级车辆检测网络SmallNet，在红外测试集获得71%以上的检测精度，并且检测速度达到35帧频以上。

目录

第一个书签之前

摘 要

ABSTRACT

1 绪 论

1.1 课题的背景和意义

1.2 国内外研究现状

1.3 本文主要工作与组织安排

2 基于深度学习的目标识别检测网络

2.1 卷积神经网络的基本概念

2.1.1 感受野与权值共享

2.1.2 卷积层

2.1.3 池化层

2.1.4 全连接层

2.1.5 激活函数

2.1.6 网络训练

2.2 分类基础网络模型

2.2.1 AlexNet网络模型

2.2.2 Vgg网络模型

2.3 基于区域建议的目标检测网络

2.3.1 区域生成法

2.3.2 R-CNN模型

3.3.3 Faster R-CNN模型

2.4 本章小结

3 红外车辆目标检测网络设计

3.1 检测网络总体结构

3.2 特征提取子网络结构

3.2.1 ResNet网络

3.2.2 ResNet的改进型网络

3.3 位置敏感信息生成

3.4 本章小结

4 红外车辆目标检测网络训练与评估

4.1 训练环境的搭建

4.2 分类基础网络的训练与分析

4.2.1分类网络的训练

4.2.2分类网络训练与结果分析

4.3 车辆检测网络的训练与分析

4.3.1车辆检测网络的训练

4.3.2车辆检测网络测试与结果分析

4.4 车辆检测网络红外性能评估

4.5 本章小结

5总结和展望

5.1 工作总结

5.2 工作展望

致 谢

参考文献

附 录 攻读学位期间发表论文目录