基于改进的卷积神经网络的车辆停车压线检测

摘要

本论文主要研究在复杂多变的环境中检测车辆停车压线的违章行为。对于传统的车辆检测方法是需要人工提取目标特征，而且在实际应用中由于外界复杂环境的干扰，如雨雪天、光照，背景遮挡等因素，使得传统模型不仅泛化能力比较差而且对于目标特征的检测效果不是太理想。由于卷积神经网络模型及其后期优化完善的模型，在对目标检测中有着非常出色的效果，使得在目标检测任务中卷积神经网络成为首选的算法。所以，我们非常有必要研究卷积神经网络在车辆停车压线检测中的应用。研究的主要内容如下: 1)介绍了卷积神经网络系列的结构及其原理，并研究分析了CNN模型、R-CNN模型、Fast R-CNN模型以及Faster R-CNN模型对目标检测的方法。其中，着重介绍分析了在目标检测中Faster R-CNN模型的应用。 2)对图像存在大小尺寸不同的目标检测问题以及对于远距离车辆在图像目标检测时出现漏检的问题，提出了改进后的Faster R-CNN模型，改进的地方主要在对特征提取时我们加入多特征融合的方法，并在训练过程中采用多尺度图像训练的方法。通过实验表明，改进后的Faster R-CNN模型对目标车辆的检测准确度有了很大的提升，同时也加快了检测的速度。对于图像中较小尺寸的车辆，通过加入多特征融合以及多尺度训练的方法，有效地提高了对其检测能力。 3)本论文首先借助KITTI数据集对改进后的Faster R-CNN模型进行训练，然后在实际生活中采集到数据对其进行测试验证，并分析改进后的Faster R-CNN模型与特征融合的层数以及训练图像尺度之间的关系。