基于改进Faster R-CNN的车辆乘员数量检测方法

摘要

针对现有以雷达技术和红外热成像技术为代表的HOV(High occupancy vehiclelane)车道车辆乘员数量检测方法可靠性差、准确率低等问题,提出一种基于多光谱红外图像与改进Faster R-CNN(Region-Convolutional Neural Networks)的车辆乘员数量检测方法.通过多光谱红外成像系统获得汽车内部空间图像,结合Faster R-CNN深度学习算法实现乘员数量检测,通过采用全卷积网络结构、多尺度特征预测、使用ROI-Align代替ROI-Pooling等方式增强网络的泛化能力.通过对样据进行K-means聚类得到目标框长宽几何比例先验分布,提高区域生成(region proposal network,RPN)网络训练速度和位置回归准确性.测试结果表明,获得的汽车内部空间图像较为清晰,算法可以实现对乘员数量的检测.经过改进,网络的泛化能力得到增强,单乘员检测的准确率达到88.6％,相比于改进前提高了13.8％,能够满足行业规定大于80％的要求.