《碩士畢業(yè)論文： 行人車(chē)輛檢測(cè)算法研究與改進(jìn)研究》由會(huì)員分享，可在線閱讀，更多相關(guān)《碩士畢業(yè)論文： 行人車(chē)輛檢測(cè)算法研究與改進(jìn)研究（7頁(yè)珍藏版）》請(qǐng)?jiān)谘b配圖網(wǎng)上搜索。

1、碩士畢業(yè)論文： 行人車(chē)輛檢測(cè)算法研究與改進(jìn)研究 　　1.1 研究背景與意義 　　隨著智慧城市建設(shè)的發(fā)展,獲取當(dāng)前環(huán)境的位置信息有著重要作用.目標(biāo)檢測(cè)從提出之初就成為了廣泛研究的熱點(diǎn),尤其在自然場(chǎng)景下有更加廣泛應(yīng)用.圖像檢測(cè)技術(shù)主要通過(guò)攝像機(jī)獲取圖像作為原始圖像,并在原始圖像上進(jìn)行目標(biāo)檢測(cè)實(shí)現(xiàn)[1].其中應(yīng)用在城市建設(shè)中的影像服務(wù)方式主要是城市街景影像,城市街景作為一種全新的地圖服務(wù)方式,從推出以來(lái)就被寄予更多關(guān)注.街景影像地圖瀏覽服務(wù)通過(guò)對(duì)城市主要組成道路,建筑等目標(biāo)進(jìn)行拍攝,然后將這些照片經(jīng)過(guò)處理,再根據(jù)實(shí)際需求應(yīng)用于地圖瀏覽與地圖使用服務(wù). 　　作為

2、城市街景影像,同樣存在大量目標(biāo)檢測(cè)研究?jī)?nèi)容,其中行人車(chē)輛信息構(gòu)成了街景環(huán)境中重要的組成部分,針對(duì)城市街景中行人車(chē)輛檢測(cè)已經(jīng)成為城市治理能力綜合提升的重要環(huán)節(jié),對(duì)于提升城市品質(zhì)具有不可替代的作用.城市街景影像雖然在為城市綜合服務(wù)方面提供了便利,但目前在影像中要實(shí)現(xiàn)良好的目標(biāo)檢測(cè)效果仍然存在一些問(wèn)題,具體在城市影像行人車(chē)輛定位中的問(wèn)題有:1.街景背景復(fù)雜性:相較于普通圖像,街景中存在大量的目標(biāo),如行人、車(chē)輛、建筑物、交通標(biāo)志等等,在考慮實(shí)際定位過(guò)程時(shí),需要從復(fù)雜的背景中提取出來(lái)我們想要獲取的目標(biāo)信息,但是由于背景復(fù)雜性,在匹配過(guò)程中容易出現(xiàn)匹配錯(cuò)誤的現(xiàn)象.2.影像檢索時(shí)間長(zhǎng):獲取大量的街景數(shù)據(jù)信息

3、,采用對(duì)圖像的單一特征進(jìn)行提取研究(例如角點(diǎn)、直線、紋理)導(dǎo)致目標(biāo)檢測(cè)時(shí)間更長(zhǎng).同 時(shí)不同大小,外觀,光照遮擋等現(xiàn)象的存在導(dǎo)致在目標(biāo)檢測(cè)的準(zhǔn)確性上無(wú)法保證.3.影像目標(biāo)尺度變化較大:復(fù)雜場(chǎng)景下的行人、車(chē)輛檢測(cè)面臨著尺度變化、外觀姿態(tài)變化和遮擋等問(wèn)題.例如存在較遠(yuǎn)處的小目標(biāo)行人、車(chē)輛被歸為小尺度信息難以被識(shí)別.另外密集場(chǎng)景下目標(biāo)之間互相遮擋,使得算法很難做出較為準(zhǔn)確全面的檢測(cè),影響算法的精度,導(dǎo)致結(jié)果不準(zhǔn)確. 　　與此同時(shí),以機(jī)器學(xué)習(xí)、知識(shí)圖譜為代表的人工智能技術(shù)逐漸變得普及.從最初的簡(jiǎn)單目標(biāo)分類(lèi)識(shí)別、發(fā)展到后續(xù)的圖像綜合應(yīng)用,再到實(shí)際應(yīng)用場(chǎng)景下的自動(dòng)駕駛,逐 漸滲透到人們的日常

4、生活中.可見(jiàn)計(jì)算機(jī)視覺(jué)是一門(mén)使機(jī)器"看"的學(xué)科.它使計(jì)算機(jī)和其他設(shè)備代替人眼進(jìn)行目標(biāo)檢測(cè)和進(jìn)一步的圖像處理[2].圖像處理和計(jì)算機(jī)視覺(jué)成為研究的新趨勢(shì),用于構(gòu)建人工智能系統(tǒng)從圖像中獲取信息等智能交通監(jiān)控系統(tǒng).目標(biāo)檢測(cè)也逐漸成為計(jì)算機(jī)視覺(jué)的一個(gè)重要分支.在不斷地發(fā)展中,其中基于深度學(xué)習(xí)的目標(biāo)檢測(cè)在速度和精度方面的表現(xiàn)要優(yōu)于傳統(tǒng)的特征提取算法. 　　基于以上背景,本文利用城市街景影像,研究一種對(duì)于街景影像行人車(chē)輛目標(biāo)檢測(cè)的深度學(xué)習(xí)方法.旨在解決城市街景影像中由于背景復(fù)雜,遮擋尺度變化問(wèn)題帶來(lái)的目標(biāo)檢測(cè)精度問(wèn)題. 　　1.2 國(guó)內(nèi)外研究現(xiàn)狀 　　在影像

5、目標(biāo)檢測(cè)課題發(fā)展的四十余年中,行業(yè)內(nèi)眾多學(xué)者取得了優(yōu)秀的成果.本論文研究方向是在城市街景影像中利用深度學(xué)習(xí)的方法進(jìn)行行人車(chē)輛檢測(cè),屬于計(jì)算機(jī)視覺(jué)的目標(biāo)檢測(cè)任務(wù)的分支方向.因此,本節(jié)分別從影像行人檢測(cè)和車(chē)輛檢測(cè)兩個(gè)角度分析國(guó)內(nèi)外研究現(xiàn)狀. 　　1.2.1 行人檢測(cè)研究現(xiàn)狀 　　行人檢測(cè)是目標(biāo)檢測(cè)的一個(gè)重要研究分支,也是目標(biāo)檢測(cè)實(shí)例中較為基礎(chǔ)的應(yīng)用.其中主要應(yīng)用在行人形態(tài)分析,行人識(shí)別等領(lǐng)域.此外,其在視頻監(jiān)控,人流量統(tǒng)計(jì),自動(dòng)駕駛中都有重要的地位.目前針對(duì)行人檢測(cè)的相關(guān)研究方法主要分為兩類(lèi),一類(lèi)是基于傳統(tǒng)特征提取的方法進(jìn)行行人檢測(cè),另一種是基于深度學(xué)習(xí)算法實(shí)現(xiàn)行人

6、檢測(cè). 　　起初,傳統(tǒng)的行人檢測(cè)的最主流的方法是基于單一特征進(jìn)行影像中行人特征的選擇,國(guó)內(nèi)針對(duì)行人的特征選擇主要是利用基于方向梯度直方圖特征(HOG)[3]進(jìn)行行人特征的提取,葉林[4]提出了一種基于空間梯度直方圖的行人檢測(cè)算法,在不降低檢測(cè)效果的前提下,保證了行人檢測(cè)的效率.曲永宇[6]在梯度直方圖的基礎(chǔ)上,針對(duì)檢測(cè)精度有待提高、向量維數(shù)較大的問(wèn)題,提出了利用梯度統(tǒng)計(jì)特征的直方圖加上顏色頻率和膚色特征來(lái)描述行人檢測(cè)的實(shí)現(xiàn).高修祥[5]提出了一種改進(jìn)的方向梯度直方圖(directionalgradient histogram)算法,將 HOG 特征向量分成兩部分,然后結(jié)合殘差網(wǎng)

7、絡(luò)進(jìn)行特征融合,提高了行人檢測(cè)的準(zhǔn)確性,降低了檢測(cè)的失敗率.陳銳[7]提出了一種基于多特征融合的行人檢測(cè)算法.利用主成分分析(PCA)對(duì) HOG 進(jìn)行降維,并與局部二值特征(LBP)融合.在 INDIA 數(shù)據(jù)庫(kù)上進(jìn)行了實(shí)驗(yàn),以提高訓(xùn)練和檢測(cè)的速度. 　　由于行人檢測(cè)的影像大部分屬于自然場(chǎng)景,往往選取單一的特征提取思路會(huì)造成結(jié)果的不準(zhǔn)確,精度無(wú)法滿足要求.在后續(xù)的行人檢測(cè)工作研究中,研究者們將影像預(yù)處理與行人本身特點(diǎn)進(jìn)行結(jié)合,對(duì)算法模型進(jìn)行了優(yōu)化與設(shè)計(jì),汪成亮[8]對(duì)于快速移動(dòng)人體檢測(cè),首先采用高斯混合模型進(jìn)行背景剔除,減少了檢測(cè)掃描的時(shí)間.最后將主成分分析與梯度直方圖相結(jié)合,提

8、高了檢測(cè)窗口的分類(lèi)速度.王波[9]提出了一種有效的行人特征點(diǎn)模型,用于街景視頻監(jiān)控中的行人檢測(cè),并對(duì)行人的輪廓特征進(jìn)行了研究.然后利用 Canny 算子邊緣檢測(cè)方法對(duì)行人樣本圖像邊緣進(jìn)行檢測(cè),并結(jié)合形態(tài)學(xué)對(duì)圖像進(jìn)行進(jìn)一步處理.從而有效、準(zhǔn)確地獲取行人輪廓.在針對(duì)行人特點(diǎn)進(jìn)行了一系列的探索后,后續(xù)的研究者還加入了級(jí)聯(lián)的思想,王奕波[10]在街景圖像中,提出了基于級(jí)聯(lián)特征的行人檢測(cè)方法.首先確定可能包含行人的潛在區(qū)域,利用基于概率接受度的方法,根據(jù)方向梯度的直方圖特征進(jìn)行強(qiáng)化掃描分類(lèi),最后通過(guò)非最大抑制(NMS)過(guò)程對(duì)分類(lèi)結(jié)果進(jìn)行匯總.實(shí)驗(yàn)結(jié)果表明,基于級(jí)聯(lián)特征的方法一方面可以使兩種特征互補(bǔ),提高

9、檢測(cè)精度.另一方面,基于概率接受的強(qiáng)化掃描分類(lèi)方法使檢測(cè)時(shí)間顯著縮短. 　　國(guó)外傳統(tǒng)行人檢測(cè)的研究主要集中在區(qū)分行人與其他目標(biāo)的分類(lèi)算法研究與分類(lèi)器使用上,David McAllester 等人[11]提出了一種基于邊緣特征的數(shù)據(jù)挖掘方法,考慮行人檢測(cè)中邊緣特征信息,利用多尺度的學(xué)習(xí)特征提高行人檢測(cè)的速度和精度.Payam 等 人[12]提出了在行人檢測(cè)過(guò)程中使用 shapelet 特征的算法,這種特征有利于區(qū)分行人與非行人信息的梯度構(gòu)建,使用 AdaBoost 分類(lèi)器,shapelet 特性可以把行人檢測(cè)的重點(diǎn)放在更小的特征集上,最后在 INRIA 數(shù)據(jù)集上證實(shí)了算法的有效性

10、.在模型結(jié)構(gòu)與優(yōu)化方面,創(chuàng)新性的提出了 DPM 思想.Rodrigo Benenson 等人[13]針對(duì)過(guò)去十幾年在行人檢測(cè)方面的算法進(jìn)行了總結(jié),概括了主流算法包括 HOG+SVM 特征提取檢測(cè)、可變形部分檢測(cè)器(DPM),將傳統(tǒng)的行人檢測(cè)算法應(yīng)用在 Caltech-USA 數(shù)據(jù)集上,對(duì)比不同算法的效果評(píng)價(jià)特征. 　　傳統(tǒng)的行人檢測(cè)算法大多在低層特征表達(dá)基礎(chǔ)上構(gòu)建復(fù)雜的模型來(lái)提升檢測(cè)精度,但是仍然存在單一特征帶來(lái)的精度問(wèn)題,使用特征融合的方式會(huì)提升一部分的精度,但是會(huì)帶來(lái)特征提取成本的增加.之后卷積神經(jīng)網(wǎng)絡(luò)應(yīng)運(yùn)而生,優(yōu)秀的網(wǎng)絡(luò)結(jié)構(gòu)層次,更加準(zhǔn)確的特征信息描述,高維特征提取,以及

11、針對(duì)不同場(chǎng)景下特征的多元化描述都使得神經(jīng)網(wǎng)絡(luò)發(fā)揮出更大的優(yōu)勢(shì).基于深度學(xué)習(xí)的行人檢測(cè)的思路成功地應(yīng)用在場(chǎng)景檢測(cè)中,從 2006 年以來(lái),大量深度神經(jīng)網(wǎng)絡(luò)的論文被發(fā)表,2012 年,Hinton 課題組通過(guò)構(gòu)建 CNN網(wǎng)絡(luò) AlexNet[14]一舉奪得圖像識(shí)別比賽冠軍,從此神經(jīng)網(wǎng)絡(luò)開(kāi)始受到廣泛的關(guān)注. 　　在深度學(xué)習(xí)算法獲取候選框區(qū)域的研究中,夏金銘[15]在 Fast R-CNN 基礎(chǔ)上引入了困難樣本挖掘的策略,提升檢測(cè)的泛化能力.王斌[16]利用深度學(xué)習(xí)網(wǎng)絡(luò)身視覺(jué)特征提取的優(yōu)越性,在此基礎(chǔ)上設(shè)計(jì)了多種策略融合的窗口選擇方法,改變傳統(tǒng)滑動(dòng)窗口耗時(shí)長(zhǎng)的問(wèn)題.采用了選擇性搜索算法

12、,提高特征提取的性能.劉芷含[17]提出了通過(guò)挖掘遺漏的負(fù)樣本來(lái)充實(shí)分類(lèi)器的訓(xùn)練樣本,提出一種新的網(wǎng)絡(luò)結(jié)構(gòu)以實(shí)現(xiàn)多層特征融合,利用獨(dú)立模塊進(jìn)行候選區(qū)域的選擇. 　　針對(duì)候選區(qū)域的選擇依然會(huì)帶來(lái)檢索時(shí)間長(zhǎng)的問(wèn)題,后續(xù)深度學(xué)習(xí)目標(biāo)檢測(cè)發(fā)展的進(jìn)程轉(zhuǎn)向了由端到端的研究中,胡振寰[18]針對(duì)遮擋行人檢測(cè)問(wèn)題,提出了在 SSD 算法的前置網(wǎng)絡(luò)中加入更加先進(jìn)的 SE-Inception 結(jié)構(gòu),對(duì) SSD 的先驗(yàn)框進(jìn)行重新設(shè)計(jì),修改了相應(yīng)的 Loss,保證遮擋情況下行人檢測(cè)的精度.祝慶發(fā)[20]針對(duì)密集場(chǎng)景下的行人檢測(cè),改進(jìn)了 Yolo 算法的網(wǎng)絡(luò)結(jié)構(gòu)和損失函數(shù),在人工標(biāo)注的實(shí)際場(chǎng)景中進(jìn)行測(cè)試

13、和訓(xùn)練.胡超超[19]以 Yolo V2 網(wǎng)絡(luò)作為目標(biāo)檢測(cè)的基礎(chǔ)模型,在獲取小目標(biāo)的基礎(chǔ)上加入了殘差網(wǎng)絡(luò),構(gòu)建訓(xùn)練的行人樣本庫(kù),并且修改網(wǎng)絡(luò)參數(shù),訓(xùn)練出更符合行人檢測(cè)的網(wǎng)絡(luò)模型,通過(guò)匹配算法進(jìn)一步對(duì)行人進(jìn)行分類(lèi),利用卡爾曼濾波進(jìn)行跟蹤,大大提升檢測(cè)速度. 　　針對(duì)行人特征的卷積網(wǎng)絡(luò)過(guò)程中,國(guó)外更加側(cè)重于結(jié)合多特征進(jìn)行卷積網(wǎng)絡(luò)的實(shí)現(xiàn),Shao 等人[21]結(jié)合圖像的多光譜特征,提出了四種卷積網(wǎng)絡(luò)融合體系結(jié)構(gòu),結(jié)合了不同通道的特征,針對(duì) KAIST 數(shù)據(jù)集上的精度提高了 11%.Garrick Brazil 等人[22]提出了一種融合了語(yǔ)義分割和行人檢測(cè)功能的分割融合網(wǎng)絡(luò),針對(duì)場(chǎng)景

14、中遮擋和形狀變化問(wèn)題都有了很大的提高.Ping 等人[23]提出一種新的深度模型,從多個(gè)任務(wù)和多個(gè)數(shù)據(jù)源中學(xué)習(xí)行人高層特征,將已有的場(chǎng)景分割數(shù)據(jù)集中的屬性信息轉(zhuǎn)移到行人數(shù)據(jù)集,減少數(shù)據(jù)集之間的差異,在 Caltech 數(shù)據(jù)集上測(cè)試,失誤率降低了 17%. 　　1.2.2 車(chē)輛檢測(cè)研究現(xiàn)狀 　　車(chē)輛識(shí)別同樣作為場(chǎng)景應(yīng)用中常見(jiàn)的檢測(cè)目標(biāo),在相關(guān)目標(biāo)檢測(cè)研究中具有重要的意義.保證車(chē)輛識(shí)別速度快,得到準(zhǔn)確率高的車(chē)輛檢測(cè)信息,決定了能否更好地服務(wù)于城市發(fā)展管理工作中.車(chē)輛信息檢測(cè)作為當(dāng)前圖像處理領(lǐng)域正在研究和廣泛關(guān)注的課題, 在衡量城市綜合發(fā)展水平中具有良好的發(fā)展前景.

15、 　　最初針對(duì)傳統(tǒng)的車(chē)輛檢測(cè)算法中主要是采用人工特征提取的檢測(cè)方法.錢(qián)晉[24]研究了基于背景差法的晝間視頻車(chē)輛檢測(cè)算法的相關(guān)問(wèn)題,提出了背景提取與更新算法,滿足視頻車(chē)輛動(dòng)態(tài)檢測(cè)的要求.郭磊[27]提出了一種應(yīng)用單目視覺(jué)進(jìn)行車(chē)輛檢測(cè)的方法,以車(chē)輛陰影以及邊緣作為檢測(cè)的主要特征并且結(jié)合雷達(dá)探測(cè)數(shù)據(jù),提高車(chē)輛檢測(cè)的準(zhǔn)確率.張濤[25]研究了車(chē)輛檢測(cè)區(qū)域設(shè)置特定模型,在 Haar 特征的基礎(chǔ)上,修改了遍歷邏輯,提高了系統(tǒng)檢測(cè)的實(shí)時(shí)性.金立生[26]提出了一種將圖像特征與分類(lèi)器融合的思想識(shí)別算法,實(shí)現(xiàn)了對(duì)前方車(chē)輛的準(zhǔn)確識(shí)別. 　　在國(guó)外進(jìn)行車(chē)輛檢測(cè)的研究中研究者們多側(cè)重于

16、車(chē)輛進(jìn)行實(shí)時(shí)檢測(cè)的思路上,Amirali Jazayeri 等人[28]介紹了一種在多種環(huán)境條件下對(duì)視頻目標(biāo)車(chē)輛進(jìn)行定位的綜合方法.從視頻中提取的幾何特征被連續(xù)地投射到一維剖面上,根據(jù)場(chǎng)景特征和車(chē)輛運(yùn)動(dòng)模型,對(duì)視場(chǎng)中的運(yùn)動(dòng)進(jìn)行概率建模,實(shí)現(xiàn)實(shí)時(shí)檢測(cè)車(chē)輛的效果.Jun-Wei Hsieh 等人[29]研究了 SURF 算法特征,提出了一種新的車(chē)輛檢測(cè)方案來(lái)檢測(cè)移動(dòng)攝像機(jī)中的車(chē)輛.該方案的優(yōu)點(diǎn)是不需要背景建模,就能實(shí)現(xiàn)良好的檢測(cè)結(jié)果.Margrit Betke 等人[30]提出了一種實(shí)時(shí)視覺(jué)系統(tǒng),使用顏色、邊緣和運(yùn)動(dòng)信息的組合來(lái)識(shí)別和跟蹤道路邊界、車(chē)道標(biāo)記和道路上的其他車(chē)輛,利用多種特征融合的思路

17、進(jìn)行車(chē)輛的檢測(cè).Tehrani 等人[31]提出了一種基于 HOG 特征和 SVM 的車(chē)輛檢測(cè)方法來(lái)實(shí)現(xiàn)城市道路中的車(chē)輛檢測(cè). 　　傳統(tǒng)的學(xué)習(xí)方法只支持對(duì)少量數(shù)據(jù)的訓(xùn)練,因此對(duì)車(chē)輛多樣性的檢測(cè)仍然存在不足.近年來(lái),隨著 CNN 的發(fā)展,物體的分類(lèi)和檢測(cè)方法也相應(yīng)飛速發(fā)展.利用神經(jīng)網(wǎng)絡(luò)訓(xùn) 練對(duì)于圖像的精確度有了明顯的提升.網(wǎng)絡(luò)特征的使用擺脫了傳統(tǒng)目標(biāo)檢測(cè)方法的限制,受外界環(huán)境變化小,不易受圖像基本特征的影響,應(yīng)用在復(fù)雜場(chǎng)景中也有較好的檢測(cè)識(shí)別效果. 　　劉敦強(qiáng)[33]在 Faster R-CNN 基礎(chǔ)上進(jìn)行了改進(jìn),使用多尺度預(yù)測(cè)分支,增加樣本挖掘機(jī)制,適當(dāng)?shù)倪x取正

18、負(fù)樣本,滿足車(chē)輛檢測(cè)的精度要求.黃皓宇[32]對(duì) Mask R-CNN 算法模型進(jìn)行改進(jìn),在進(jìn)行預(yù)處理操作后,車(chē)輛檢測(cè)的精度達(dá)到了 80%左右.宋煥生[34]在進(jìn)行車(chē)輛檢測(cè)過(guò)程中選取了不同的分類(lèi)情況與構(gòu)建不同視角下的數(shù)據(jù)測(cè)試集與驗(yàn)證集, 將檢測(cè)的精度提升了近 10%. 　　王宇寧[36]提出一種基于 Yolo 算法的車(chē)輛實(shí)時(shí)檢測(cè)方法,選擇交通監(jiān)控視頻作為數(shù)據(jù)集進(jìn)行車(chē)輛檢測(cè)試驗(yàn).達(dá)到了 89.3%的查準(zhǔn)率.卞山峰[35]針對(duì)傳統(tǒng)的車(chē)輛檢測(cè)算法存在魯棒性差、檢測(cè)速度慢和準(zhǔn)確率低等問(wèn)題,提出基于改進(jìn) Yolo V2 模型的車(chē)輛實(shí)時(shí)檢測(cè)算法.通過(guò)目標(biāo)框維度聚類(lèi)、網(wǎng)絡(luò)結(jié)構(gòu)改進(jìn)以及輸入圖像

19、多尺度變換等方法對(duì) YoloV2 算法進(jìn)行改進(jìn),明顯提升了檢測(cè)的精度和速度.Moran Ju 等人[37]提出了一種基于 YoloV3 的多尺度目標(biāo)檢測(cè)方法.基于 IOU 的數(shù)學(xué)推導(dǎo)方法,為改進(jìn)的 Yolo V3 的每個(gè)尺度選擇候選錨盒的數(shù)量和長(zhǎng)寬比維數(shù),同時(shí)將輸出檢測(cè)層前的 6 個(gè)卷積層轉(zhuǎn)化為 2 個(gè)殘差單元, 最后在 PASCAL VOC 數(shù)據(jù)集和 KITTI 數(shù)據(jù)集上進(jìn)行了對(duì)比實(shí)驗(yàn),改進(jìn)后的網(wǎng)絡(luò)能提高目標(biāo)檢測(cè)的平均精度.Chi Ma 等人[38]提出了一種基于 Yolo 深度學(xué)習(xí)算法的航空?qǐng)D像車(chē)輛檢測(cè)方法.集成了一個(gè)適合 Yolo 訓(xùn)練的航空?qǐng)D像數(shù)據(jù)集.該訓(xùn)練模型特別是對(duì)小目標(biāo)、旋轉(zhuǎn)以及

20、緊湊密集目標(biāo),滿足實(shí)時(shí)性檢測(cè)的要求. 　　1.3 研究?jī)?nèi)容及技術(shù)路線 　　1.3.1 研究?jī)?nèi)容 　　本文針對(duì)城市街景影像中的行人、車(chē)輛目標(biāo)信息,利用深度學(xué)習(xí)的算法實(shí)現(xiàn)街景影像中行人車(chē)輛檢測(cè).在已有研究的基礎(chǔ)上針對(duì)城市街景影像數(shù)據(jù)來(lái)源大,數(shù)據(jù)量豐富,影像尺度特征變化大的特點(diǎn),提出了改進(jìn)的 Yolo V3 算法,保證檢索速度提高的情況下,同時(shí)對(duì)圖像中行人,車(chē)輛數(shù)量多,存在遮擋及尺度變化明顯等問(wèn)題,進(jìn)行了精度的提升.最后進(jìn)行了不同算法的對(duì)比,得到改進(jìn)的算法在檢測(cè)目標(biāo)上精度與準(zhǔn)確度上的提高.具 體研究?jī)?nèi)容主要包含以下部分: 　　(1)解決

21、街景中行人車(chē)輛檢測(cè)中數(shù)量多、尺度變化大的問(wèn)題 　　針對(duì)城市街景影像中行人車(chē)輛目標(biāo)數(shù)量多,重復(fù)目標(biāo)出現(xiàn)的特點(diǎn),結(jié)合街景數(shù)據(jù)集本身的特征,由此帶來(lái)的目標(biāo)檢測(cè)尺度變化大,存在遮擋的問(wèn)題.主要思路為利用深度學(xué)習(xí)適用于處理圖像視覺(jué)中目標(biāo)檢測(cè)識(shí)別的思想. 　　文章中采用目前深度學(xué)習(xí)主流的不同代表算法應(yīng)用于街景影像中的行人與車(chē)輛目 標(biāo)檢測(cè)中,即采用 Two-stage 算法代表 Faster R-CNN 算法與 One-stage 算法代表 Yolo V3算法實(shí)現(xiàn).在基于 One-stage 算法的快速檢索的前提下,本文同時(shí)也選取一種輕量級(jí)主 干網(wǎng)絡(luò)的 Yolo 算法最后結(jié)果的對(duì)比.最后采用改進(jìn)算法與其他三類(lèi)算法進(jìn)行對(duì)比分析. 　　(2)改進(jìn) Yolo 算法實(shí)現(xiàn)行人車(chē)輛檢測(cè) 　　本文在已有深度學(xué)習(xí)算法基礎(chǔ)上,提出了一種改進(jìn)的 Yolo V3 算法,在保證檢索速度的同時(shí),能夠?qū)⒔志皥?chǎng)景中的尺度變化明顯導(dǎo)致識(shí)別精度不高的行人車(chē)輛能夠準(zhǔn)確檢測(cè).文章最后通過(guò)精度速度評(píng)價(jià)指標(biāo)對(duì)比以及不同算法影像輸出結(jié)果,進(jìn)行四種不同深度學(xué)習(xí)算法的比較,得出改進(jìn)算法具有良好的實(shí)驗(yàn)結(jié)果,驗(yàn)證算法的有效性.