發(fā)布時間：2020-05-25 18:26

【摘要】：近幾年,隨著國家城市化的迅速發(fā)展,大量的土地得到了開發(fā),施工現(xiàn)象屢見不鮮,像吊車、挖掘機等大型工程車也是隨處可見。工程車這一類特殊車型的車輛破壞性很強,稍不注意就會對周圍的人或物造成不可挽回的損傷,帶來巨大的經(jīng)濟損失。利用智能視頻圖像監(jiān)控技術對車輛的狀況進行檢測和識別,可以及時、高效地阻止危險的發(fā)生,其中關鍵技術是車輛檢測。應用車輛檢測技術對工程車進行檢測,實現(xiàn)對施工場景中停放或作業(yè)的工程車的監(jiān)控需求,準確預警,降低了成本和預防了危險,對工人的人身安全提供保障。本論文著重研究基于深度學習的工程車檢測與識別技術,主要解決兩類關鍵問題:一是在復雜背景中工程車目標因拍攝角度和高度的不同導致的尺度多變問題,二是工程車部件靈活,造成自身外觀形變較大的問題。因此,下面是本論文的主要工作:(1)將從多種施工場景中采集在不同角度下拍攝的不同型號、不同形態(tài)的工程車輛圖像構(gòu)成樣本集,主要車型有吊車和挖掘機,然后參照標準數(shù)據(jù)集格式創(chuàng)建工程車數(shù)據(jù)集。而且為了防止在少量有效樣本的條件下訓練地模型出現(xiàn)過擬合現(xiàn)象,通過數(shù)據(jù)增強技術進行擴充,增加數(shù)據(jù)集的多樣性,提升模型的泛化能力。(2)針對圖像中工程車尺度多變而大小固定的候選框無法完全適應目標的問題,提出一種基于自適應搜索的工程車檢測與車型識別算法,通過利用鄰接和縮放網(wǎng)絡自適應生成候選建議區(qū)域,能更好地處理一張圖像中出現(xiàn)不同尺度的目標,并在檢測器中添加在線難例挖掘算法,解決樣本類別不均勻的情況,提高模型的泛化性,增加訓練的有效性,在工程車數(shù)據(jù)集上平均精度均值為91.6%。(3)提出一種基于全局和局部卷積特征融合的工程車檢測與車型識別算法,可以同時解決工程車目標檢測、識別時出現(xiàn)的尺度不一、形變復雜等問題。算法通過建立多尺度感興趣區(qū)域池化層獲得圖像整體結(jié)構(gòu)和上下文信息,提取出目標的全局特征,并利用位置敏感感興趣區(qū)域池化層提取出目標局部特征,在全連接層處對全局和局部特征進行加權(quán)融合,最后通過多任務學習聯(lián)合預測出車輛位置和類別,在工程車數(shù)據(jù)集上平均精度均值可達92.5%,驗證了全局和局部特征具有較好的互補性。
【圖文】：

圖 2-3 Faster RCNN 算法框架圖CNN 算法主要流程是輸入一張任意大小的圖片，使用卷積征提取，再使用 RPN 網(wǎng)絡生成候選區(qū)建議框，在訓練過程選區(qū)域框，并篩選出最優(yōu)的 300 個候選區(qū)域，在感興趣池積特征提取出來，并生成固定尺寸。最后使用 Softmax Loss類識別和邊界回歸訓練，能夠共享卷積特征，并相互促進。輛檢測上，可以有效地提高車輛檢測的準確性和魯棒性，于 YOLO 的目標檢測與識別oseph Redmon 在 CVPR 上發(fā)表了 YOLOV1 算法[20]，將目問題，輸入圖片僅僅經(jīng)過一個神經(jīng)網(wǎng)絡，直接得到邊界框概率，標準的 YOLO 版本每秒可以實時地處理 45 幀圖像度可以達到每秒 150 幀，并且每個網(wǎng)絡對目標進行預測時著 YOLO 算法可以在保證精度的前提下進行實時檢測。但欠缺，主要的原因是未采用區(qū)域提名機制，而是使用網(wǎng)格

圖劃分為的網(wǎng)格，如果目標位于某個網(wǎng)格單元中心，那么該網(wǎng)絡單元負責該目標的檢測，即輸出預測的置信度、類別以及定位坐標，然后使用非極大值抑制算法（Non-MaximumSuppression，NMS）迭代去除重疊冗余的候選區(qū)域框，，達到最優(yōu)的預測效果。YOLOV2 算法在 YOLOV1 的基礎上改進了基礎網(wǎng)絡，減少提取特征的計算量，其次引入了 Faster RCNN 的錨框機制，并且在訓練過程中采用多尺度訓練，使得算法在速度和精度上得到了很大的提升，但是對于重疊目標，以及小目標的檢測效果較差。YOLOV3 在之前版本的基礎網(wǎng)絡進行了優(yōu)化，并采用多尺度預測，對于小目標的檢測效果得到了明顯的提升。該類檢測算法滿足車輛檢測的實時性需求，并具有強魯棒性，能夠快速的完成車輛檢測任務。2.2.3 基于 SSD 的目標檢測與識別Wei Liu 等人在 ECCV2016 上提出了 SSD 算法[23]，SSD 的全稱為 Single ShotMultiBoxDetector，其網(wǎng)絡分為兩部分，第一部分是用于圖像分類的標準網(wǎng)絡，去掉了分類相關的層，第二部分的網(wǎng)絡是利用卷積神經(jīng)網(wǎng)絡可以生成不同感受野的特征，實現(xiàn)檢測不同大小的目標，主要的目標就是解決 YOLOV1 的缺點。SSD 借鑒了 FasterR-CNN 中 Anchor 機制，所以在保持類似 YOLOV1 的檢測速度的同時，效果也提升很多。
【學位授予單位】：西南科技大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TU60;TP391.41;TP18

【相似文獻】

相關期刊論文 前10條

1 王鵬;郭朋軍;郭建宇;;激光車型識別技術研究和應用[J];中國交通信息化;2019年S1期

2 李勇;張瑋;;基于多維視頻技術的車型識別系統(tǒng)[J];中國交通信息化;2017年12期

3 宋俊芳;;基于3D模型的精確車型識別[J];智能城市;2018年08期

4 湯銳;劉玉錦;;車型識別技術在打擊高速公路逃費中的應用[J];中國交通信息化;2017年10期

5 顏卓旺;;基于歷史數(shù)據(jù)的車型識別方案[J];中國交通信息化;2012年03期

6 江衛(wèi)強;;Freeman編碼及其在車型識別中的應用[J];機械工業(yè)自動化;1988年03期

7 費東煒;孫涵;;一種基于Bilinear-HashNet網(wǎng)絡的車型識別方法[J];小型微型計算機系統(tǒng);2019年08期

8 康s顂

本文編號：2680560