原文传递
基于多尺度特征的城市车辆检测与识别
| 论文题名： | 基于多尺度特征的城市车辆检测与识别 |
| 关键词： | 智能交通系统;车辆检测;目标识别;特征金字塔网络 |
| 摘要： | 随着智慧城市建设，智能交通系统（Intelligent Transportation System，ITS）作为该建设的重要组成必须得到重视。该系统可以缓解交通压力、提升交通管理效率，保障智慧城市建设。车辆检测与识别作为ITS的关键，通过对图像中车辆进行检测识别，从而掌握车辆及道路信息。随着技术的创新，基于深度学习的车辆检测识别相比传统检测识别有着质的飞跃。但交通环境中因监控设备拍摄原理及车辆尺度多样性等原因，导致图像中像素尺度小的车辆检测效果不好。因此本文针对交通图像中像素尺度小的车辆检测与识别难问题展开研究。 为解决上述问题。本文对像素尺度小目标检测较好的特征金字塔网络（Feature Pyramid Networks,FPN）进行改进，分别提出两种车辆检测与识别网络。主要研究如下： 通过对比分析选取Faster R-CNN+ResNeXt-101为车辆检测与识别的模型框架。针对FPN在融合多层特征时仅通过简单衔接或相加操作，未能充分利用不同层的特征信息，从而提出PFPN检测网络。该网络将FPN提取到的四层特征图通过自适应融合方式重新构建特征金字塔网络，此时网络实现了不同层特征的充分融合，对像素尺度小的车辆检测更好。同时，针对重叠率高车辆间漏检及难易样本数量不均衡等问题，通过引入Soft-NMS和Focal Loss缓解和优化此问题。同样，针对FPN仅考虑将深层特征信息引入到浅层，未考虑浅层特征信息对顶层的帮助，从而提出MPFPN检测网络。该网络先设计了两种结构FPN，其中Top-down结构FPN以自上而下方式依次构造特征图并在顶层特征图中插入GAP（全局平均池化）以更好学习特征信息，而Bottom-up结构FPN与前者相反。然后，将两种结构FPN以相对应层的方式融合。同时，为更好利用和保留浅层边缘形状信息，通过自下而上的增强路径将融合后特征金字塔网络的底层特征信息重新融合传递至顶层，从而构建出新的特征金字塔网络。 无论是PFPN还是MPFPN检测识别网络均是基于FPN结构改进，通过不断融合与利用高层特征与浅层特征信息，最终实现像素尺度小的车辆检测与识别。 |
| 作者： | 宋周 |
| 专业： | 计算机技术 |
| 导师： | 陈伟 |
| 授予学位： | 硕士 |
| 授予学位单位： | 中国矿业大学(江苏) |
| 学位年度： | 2021 |
检索历史
应用推荐
