详情

原文传递基于深度学习的车辆检测研究

论文题名：	基于深度学习的车辆检测研究
关键词：	停车场;车辆检测;深度学习;空位统计;计算机视觉
摘要：	车辆检测是计算机视觉的研究内容之一，目的是识别和定位出图像或视频中的车辆。由于城市车辆的急剧增加，停车问题已经日渐严峻，仅仅依靠人工进行停车场管理无法满足实时的需求，基于停车场的车辆检测受到越来越大的关注。车辆检测是实现停车场管理、车辆跟踪、车牌识别等研究的基础和前提。然而车辆检测还面临很多困难，如物体遮挡、光照变化、目标形态变化等，因此设计一个鲁棒的车辆检测算法具有很大的挑战。　　深度学习理论的提出，在图像分类、目标检测、语音识别等领域取得了惊人的效果。车辆检测是目标检测的子问题，而基于停车场场景的车辆检测在现实应用中意义越来越大，本文主要的研究工作和创新点如下: 　　针对传统的机器学习方法无法在车辆检测中自适应的提取典型特征，本文提出基于深度学习的检测方法，即AlCNN车辆检测方法。根据卷积神经网络某些层对于目标透视变形具有不敏感性，得到适合停车场车辆检测的卷积神经网络模型。针对传统的检测框与目标角度不匹配的问题，本文提出最大映射高度算法。实验表明，本文的算法具有一定的抗噪声干扰能力，能够准确的检测出图像中的车辆目标。　　针对未标定的图片，本文提出EdgeCNN的检测框架。首先通过Edge box算法获取图片中的预选区域，并根据阈值划分成正、负样本。之后训练得到二分类器卷积神经网络模型。测试过程，将测试样本输入到Edge box中获取预选区域，再将预选区域输入到深度学习网络中进行判别。实验表明，本文方法的平均准确度高于其他方法，并且具有一定的鲁棒性。　　停车场的车辆检测问题和空位统计问题可以采用相同的思路。通过人工标定的正负样本，训练得到二分类器卷积神经网络模型SpaceCNN。测试过程只对特定的区域进行统计，将该区域内的停车位分割出来，输入到深度学习网络中判别，进而统计出该区域内的停车位数。本文方法与其他方法相比，空位统计的准确率更高。
作者：	林晓翠
专业：	计算机技术
导师：	李翠华
授予学位：	硕士
授予学位单位：	厦门大学
学位年度：	2016
正文语种：	中文