原文传递
基于卷积神经网络的车辆检测算法研究
| 论文题名： | 基于卷积神经网络的车辆检测算法研究 |
| 关键词： | 智能交通系统;车辆分类;检测算法;卷积神经网络 |
| 摘要： | 近些年来，机器视觉在智能交通系统中的应用越来越广泛。车辆检测技术是智能交通系统的核心部分之一，如何从拍摄到的车辆图像中自动检测出目标车辆成为了一项热门研究领域。本文针对现有车辆检测方法存在对光照、目标尺度、遮挡和目标背景过于敏感等问题，提出了基于卷积神经网络的车辆分类检测方法。在Softmax分类器的基础上结合线性判别式分析思想，提出了融合线性鉴别式分析的改进卷积神经网络算法。最后利用卷积神经网络图像分类的方法解决了车辆检测问题，具体内容如下: 1.提出了融合线性鉴别式分析的改进卷积神经网络算法。针对传统卷积神经网络在模型训练时容易出现损失函数和测试准确率曲线震荡严重的问题，本文通过在Softmax分类器的基础上，引入线性鉴别式分析算法中样本特征距离的思想，并构造了新的假设函数和损失函数，提出了鉴别式卷积神经网络算法。算法能使训练样本特征类内特征距离减小而类间特征距离增大，从而有效提高提取特征的辨识度。经过实验结果对比发现，新算法能有效平滑损失函数曲线、提高分类的准确率。 2.基于融合线性鉴别式分析的改进卷积神经网络算法构建了车型检测系统。本文基于改进卷积神经网络算法建立了一个9层卷积神经网络模型，利用小轿车、客车和卡车三类车辆图像库对模型进行训练并得到最终的分类模型。最后通过与现有的图像特征分类算法作对比发现，基于改进卷积神经网络算法的车型检测能有效提高光照、车辆遮挡和复杂背景等外界干扰下的抗干扰能力和样本的测试准确率。 3.运用融合线性鉴别式分析的改进卷积神经网络算法实现了车辆检测。本文通过分层分组算法，首先从大场景车辆检测图像中提取出大约2000个候选区域，利用候选区域图像对改进卷积神经网络算法在车辆分类实验中的模型进行微调得到本文的车辆检测模型，最后通过分类器输出得到样本的类别信息得到检测目标的位置信息。通过分析实验的检测结果发现，基于改进卷积神经网络算法的车辆检测模型能有效降低如光照、目标遮挡和复杂背景等带来的漏检和误检率。 |
| 作者： | 何振军 |
| 专业： | 控制工程 |
| 导师： | 凌志刚;王国锋 |
| 授予学位： | 硕士 |
| 授予学位单位： | 湖南大学 |
| 学位年度： | 2016 |
| 正文语种： | 中文 |
检索历史
应用推荐
