原文传递
基于单目视觉的夜间前方车辆检测
| 论文题名： | 基于单目视觉的夜间前方车辆检测 |
| 关键词： | 夜间车辆;车灯检测;CenSurE特征;卷积神经网络;Otsu阈值 |
| 摘要： | 夜间车辆检测是计算机视觉领域一个具有挑战性的问题。夜间光照条件差，车辆外形特征不明显，导致交通事故频发。针对夜间车辆检测误检率高、检测速率慢的问题，本文研究了基于单目视觉的夜间前方车辆检测方法，以提高夜间行车的安全性。论文主要工作包括以下三部分： （1）基于CenSurE特征的车灯检测算法。由于人工设定阈值和滤波器线性采样，导致特征点稀疏、噪声多，本文在中心环绕双层滤波器上利用对数尺度采样获取密集的特征点，并使用多级Otsu阈值滤除不稳定的特征点；然后，根据颜色阈值进一步确定车灯区域；最后，根据配对约束条件进行车灯配对。相比于原始CenSurE算法，本文的改进方法能提取到密集和噪声较少的特征点，查准率提高了8.6％，提高到41.2%，查全率提高了12%，提高到53.3%，但是仍误检部分路灯、广告牌等非车灯光源。 （2）针对传统方法优秀的人工特征也难以准确检测车辆的问题，本文提出了基于Faster RCNN的夜间车辆检测算法，使用深层卷积神经网络学习出更好的车辆描述特征。原始Faster RCNN随机选取负样本的机制，没有专注区分车灯和非车灯光源，本文通过改进的CenSurE特征启发式地挖掘困难样本，以增强模型分类性能。与原始模型相比，困难样本挖掘模型的AuC提高了8.1%，提高到84.4%。 （3）针对Faster RCNN检测速率较慢，难以满足实时性要求的问题，本文提出一种基于PCA降维的Faster RCNN模型优化方法。首先对模块C全连接层参数进行降维，为了保证模型收敛，在原始训练步骤的基础上增加两步分别用于学习模块B和模块C的参数。然后结合（2）的在线困难样本挖掘机制进行模型学习，相比于原始模型，本文改进的模型减少了近5000万个参数，每一秒的检测帧数由原来的17帧提升到24帧，AuC提高了9.8%，提高到86.1%。 针对Faster RCNN，本文除了使用与训练样本类似的高速路和市区场景进行测试，还挑战性地使用与样本不一致的困难场景进行测试，通过实验，证实了本文模型的普适性和泛化能力。 |
| 作者： | 蒋卓韵 |
| 专业： | 数学 |
| 导师： | 戴芳 |
| 授予学位： | 硕士 |
| 授予学位单位： | 西安理工大学 |
| 学位年度： | 2017 |
| 正文语种： | 中文 |
检索历史
应用推荐
