基于卷积神经网络的车辆检测模型设计及实现开题报告

 2020-02-10 10:02
1.目的及意义(含国内外的研究现状分析)

1.目的及意义(含国内外的研究现状分析)

1.1 题目

基于卷积神经网络的车辆检测模型设计

1.2 背景及意义

随着城市的不断发展,道路上车辆的不断增加,车辆违规现象的大量发生,智能交通系统便应运而生,以改善我国当前的交通安全和服务质量[1];而车辆检测则对智能交通系统有很大意义,它通过照片或者视频对当前道路上的车辆进行识别检测,可以及时的提供路况,保证交通系统的正常运行,在一定程度上减少交通事故的发生,所以,车辆检测技术的不断发展对于交通问题和智能化发展有重要的意义[2]

由于天气的变化,背景的变化,耗时长等因素,传统的车辆检测算法已经不能够再准确快速的对汽车进行识别;不同于传统车辆检测算法通过特征算子对候选区域提取特征,基于深度学习的卷积神经网络(Convolutional Neural Networks, CNN)算法能够自动提取图像当中的特征集作为训练集,而且对于背景的变换,形状的变化不敏感,具有速度较快,精度较高,大量的训练数据集等特点[3]

1.3 国内外研究现状

国外对于目标检测方面进行了大量的研究,如Mo Guoliang[4]等人根据变换(SIFT)特征算子,Xu Yongzheng[5]等人根据梯度直方图(HOG)特征算子对图片区域进行特征提取,并将提取的特征送到分类器(如支持向量机SVM,迭代器Ada Boost,决策树DT)中进行目标检测,这种人为特征提取方式耗时长,适应性较差且不精确,已经不能够满足复杂情况下车辆的识别;随着深度学习以及卷积神经网络的提出,Girshick R[6]等人使用R-CNN算法进行目标检测,通过卷积核(滤波器)对输入的神经元进行局部特征提取,Shafiee M J[7]等人使用YOLO方法进行目标检测能够提高检测速率和背景的误检率,提高了传统方法的适应性和检测的准确率,成为当前目标检测技术上最主流的方法。

随着目标检测技术的不断发展,国内的关于车辆检测的发展也随之加快,史凯静[8]等人使用Fast R-CNN方法进行车辆检测,先训练样本,然后生成候选区域,进行特征提取,通过卷积神经网络进行候选框输出,解决了R-CNN算法训练速度慢,训练样本大的问题;韩凯[9]等人使用Faster R-CNN方法进行车辆检测,没有采用Selective search方法进行图片特征提取,而是直接使用CNN得到最后的输出,大大提高了运行速度,解决了如何设计和训练区域生成网络的问题;王福建[10]等人使用YOLO方法进行车辆检测,基于一个端到端的网络,将车辆检测当作一个回归问题求解,将样本训练和车辆检测放在同一个网络中实现,图像经过一次处理就能得到车辆的位置,实现从原始图像的输入到车辆位置的输出。

目前的车辆检测算法主要是通过深度学习的方法来实现,基于卷积神经网络来构建车辆检测模型具有速度快,适应性强,网络结构更复杂,检测更加准确等优点,CNN正在成为车辆检测算法中的主流。
您需要先支付 5元 才能查看全部内容!立即支付

该课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找,微信号:bysjorg 、QQ号:3236353895;