原文传递
车联网背景下车辆检测方法的研究与实现
| 论文题名： | 车联网背景下车辆检测方法的研究与实现 |
| 关键词： | 车联网;车辆类型检测算法;树莓派;神经算力棒二代 |
| 摘要： | 中国车辆急剧增加，带来了很大的交通问题。车联网技术是解决这样的问题的最优解，本文中主要是研究车联网中的路边单元模块。本文中主要是实现车辆类型检测算法，采用树莓派(Raspberry Pi4Model B)和神经算力棒二代(Neural Compute Stick2,NCS2)组成硬件系统，然后将车辆类型检测算法移植到搭建的硬件系统上并在该算法的基础上实现对交通环境中的车辆类型的数量统计，这样就形成了本文中的车辆类型检测系统。 针对数据集的缺陷进行改进。对本文所需要的数据集进行增强。将原始数据集UA_DETREAC中部分图片与车辆类型数据集中部分图片进行拼接，采用生成对抗网络对拼接的图片进行扩充，产生更多的角度不同的图片，最后将新生成的数据集与原始数据集进行混合形成UA_DETRAC_CAR。 针对YOLOv3在车辆类型检测方面的缺陷，本文采用了一些措施进行改进得到车辆类型检测算法。在YOLOv3的主干网络中加入DropBlock模块。在新数据集UA_DETRAC_CAR上，利用K-means进行重新聚类，重新获得更加适合新数据集的anchor boxes。针对车辆类型检测算法的实际使用环境，对多尺度预测进行改进，保留针对大型和中型目标物体的尺度。改进得到的车辆类型检测算法在新数据集UA_DETRAC_CAR上的AP和mAP与YOLOv3基本保持一致，mAP提升了0.29%，但是该算法进行了精简，网络的体量比起YOLOv3更小。该算法在RTX2060GPU上对视频进行测试的时候FPS达到26.47，对于单张图片的处理可达到54.78FPS。在阴天，晴天，雨天以及夜晚等天气情况下，该算法在晴天和阴天下有较好的表现，各个车型的平均检测准确度都达到90%以上。在以俯视角度从车头和车尾方向进行检测时，各个车型的平均检测准确度都有较好的表现。 为了使得车辆类型检测算法在实际生产环境中得到更好的使用，需要将该算法移植到嵌入式设备中。本文采用树莓派，神经算力棒以及网络摄像头组成硬件系统。该系统体积小，功耗小，另外神经算力棒可以提供一定的算力支持。这样的硬件系统很适合部署在车联网的路边单元。将车辆类型检测算法移植到该硬件系统中并在其中实现车辆类型数量统计，然后将摄像头实时采集的视频进行检测和车辆类型数量统计，以达到对交通环境中的车流量进行实时监控。在该硬件系统上，对摄像头采集的视频进行实时检测时，FPS可达10.32。 |
| 作者： | 蒋奎 |
| 专业： | 电子与通信工程 |
| 导师： | 贺知明 |
| 授予学位： | 硕士 |
| 授予学位单位： | 电子科技大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
