隨著國家交通網絡的日趨完善,交通工程的信息化和智能化已經成為當今發展的主流,而車輛的分類以及車輛的行為識別作為其中的關鍵技術,在工業領域和學術領域同樣受到了廣泛關注。在車輛分類的過程中,車輛之間的相互遮擋和天氣條件等因素影響著其結果的準確性和穩定性;在對車輛進行行為分析時,其結果的魯棒性和準確性往往取決于視頻源拍攝的角度與質量,這些都對車輛的分類及其行為識別技術提出了更高的要求。因此本文分別對車輛的分類算法和車輛的行為識別算法進行了研究,主要貢獻如下:針對視頻序列中車輛的分類問題,本文提出一種基于改進YOLOv3網絡的車輛分類方法。在YOLOv3目標檢測網絡的基礎上,借鑒密集連接卷積網絡的設計思想,將原網絡中的殘差層替換為密集卷積模塊,并對網絡的設計結構以及網絡的特征最小分辨尺度進行調整與改進,參照金字塔網絡模型對車輛特征進行多尺度的預測。利用Softmax函數作為分類器,將卷積層與對應尺度密集卷積模塊融合的車輛特征進行分類,基于錨點框機制標注車輛的邊界框。根據單幀圖像的分類結果,設計目標匹配跟蹤函數對視頻序列中的車輛進行持續穩定的檢測。針對視頻序列中車輛的行為分析問題,提出一種基于車... 

【文章來源】：長春理工大學吉林省

【文章頁數】：81 頁

【學位級別】：碩士

【部分圖文】：

162）權值共享權值共享也稱作參數共享，通常卷積核能夠提取圖像中的紋理、顏色等特征，增加卷積核的個數可以實現對圖像中多種特征的提取，權值共享通過將各個卷積核的參數進行確定，以實現改變卷積核的個數和尺寸達到調節卷積神經網絡參數的目的，加快網絡的訓練速度。如圖2.12所示，若第m+1層的每個神經元節點與第m層的部分神經元節點相連接，而在此基礎上通過權值共享的方式進行處理，能夠進一步降低權值參數的數量。W1W1W1W1W2W2W2W2W3W3W3W3第m層第m+1層W1W3W2圖2.12權值共享示意圖3）多特征圖多特征圖也稱作多卷積核，利用線性卷積核在圖像區域中進行卷積運算并增加偏置頂，最后將所得結果與非線性函數映射得到特征圖，多特征圖可以對原圖像的不同特征進行刻畫。通常利用一個卷積核與圖像進行卷積操作可以獲得圖像的一個特征響應，利用多個卷積核與圖像進行卷積運算可以得到多個特征響應，其具體計算過程如圖2.13所示。對于第m層特征圖1w中像素點(i,j)位置的響應數值，需要利用第m-1層4個特征圖在像素點(i,j)的數值與4個卷積核進行卷積操作相加獲取，對于第m層特征圖w2的計算方式操作同特征圖1w。圖2.13多特征圖計算示意圖2.3.3基于區域的目標檢測模型基于區域的目標檢測模型為兩階段目標檢測方法，即把目標檢測的過程分為生成候選框和識別框內物體兩個部分，本節對經典的兩階段目標檢測方法的檢測原理進行概述。1）R-CNNR-CNN算法[49]最先實現了將深度學習應用到目標檢測領域，為卷積神經網絡在

ㄖ械幕??翱諶哂轡侍狻?通過R-CNN算法實現目標檢測的具體過程如圖2.14所示，首先，通過選擇性搜索算法從原始的圖像中搜索并提取候選區域判定框；然后，針對需要處理的候選區域判定框，在縮放成固定維度的特征矩陣的基礎上再輸入到CNN網絡中，并通過支持向量機SVM算法實現對判定框獲得的CNN特征的分類；最后，根據候選區域的得分結果判斷原始圖像中目標的所屬類別，并利用邊界回歸的思想對目標的位置進行計算。由于需要對每個候選區域框進行特征提取與分類，因此通過R-CNN算法實現目標檢測的過程計算量大、檢測速度慢。圖2.14R-CNN算法流程圖2）FastR-CNNFastR-CNN算法[50]可以視為R-CNN算法的進階版，其在R-CNN網絡的基礎上參考了SPPNet網絡[51]的設計思想，引入ROI池化層的概念，同時在FastR-CNN算法中將邊框回歸預測與目標分類兩個任務進行歸一化處理，并一起加入到CNN網絡中進行訓練。FastR-CNN實現目標檢測的原理如圖2.15所示。具體地，將原始圖像和經過處理的候選區域判定窗口輸入到FastR-CNN網絡中，即完成對原始圖像的信息整合工作；然后，將候選區域判定窗口映射到CNN網絡的卷積特征圖上，并通過ROI池化層降采樣為固定尺寸傳遞至全連接層中；最后，采用并行連接的方式通過Softmax分類層輸出目標類別，結合回歸層的輸出結果獲取目標的位置信息。FastR-CNN由于省略特征的保存過程，因此節省了大量的存儲空間，在一定程度上提高了檢測的速度。但候選區域窗口的獲取依然為一個獨立的過程，并且該過程占據了整個檢測步驟的大量時間，仍然存在速度瓶頸的現象。圖2.15FastR-CNN算法流程圖

【參考文獻】：
期刊論文
[1]基于車道信息融合的車輛行為識別[J]. 宋士奇,樸燕,王健.  液晶與顯示. 2020(01)
[2]基于改進YOLOv3的復雜場景車輛分類與跟蹤[J]. 宋士奇,樸燕,蔣澤新.  山東大學學報(工學版). 2020(02)
[3]網聯共享車路協同智能交通系統綜述[J]. 郭戈,許陽光,徐濤,李丹丹,王云鵬,袁威.  控制與決策. 2019(11)
[4]基于長短期記憶的車輛行為動態識別網絡[J]. 衛星,樂越,韓江洪,陸陽.  計算機應用. 2019(07)
[5]智能交通信息物理融合云控制系統[J]. 夏元清,閆策,王笑京,宋向輝.  自動化學報. 2019(01)
[6]基于感興趣區域模型的車道線快速檢測算法[J]. 錢基德,陳斌,錢基業,陳剛.  電子科技大學學報. 2018(03)
[7]基于混合貝塞爾曲線模型的車道檢測算法[J]. 韓浩,王舜燕.  計算機工程與設計. 2018(03)
[8]基于協同表示的聲振傳感器網絡車輛分類識別[J]. 王瑞,劉賓,周天潤,楊羽.  上海交通大學學報. 2018(01)
[9]基于Fg-CarNet的車輛型號精細分類研究[J]. 余燁,金強,傅云翔,路強.  自動化學報. 2018(10)
[10]基于Haar-like和MB-LBP特征分區域多分類器車輛檢測[J]. 朱彬,王少平,梁華為,袁勝,楊靜,黃俊杰.  模式識別與人工智能. 2017(06)

博士論文
[1]基于深度卷積神經網絡的圖像分類方法研究及應用[D]. 高震宇.中國科學技術大學 2018
[2]復雜交通視頻場景中的車輛軌跡提取及行為分析[D]. 盧勝男.長安大學 2016

碩士論文
[1]基于深度卷積神經網絡的目標檢測算法研究[D]. 周天怡.哈爾濱工業大學 2019
[2]基于深度卷積神經網絡和圖像傳感器的道路多目標檢測研究[D]. 謝一德.北京交通大學 2018
[3]基于深度學習的目標檢測算法研究[D]. 李明攀.浙江大學 2018
[4]基于深度學習的交通視頻檢測及車型分類研究[D]. 楚翔宇.哈爾濱工業大學 2017



本文編號：2908739