《基于深度学习的车辆检测方法研究与实现》由会员分享，可在线阅读，更多相关《基于深度学习的车辆检测方法研究与实现（38页珍藏版）》请在金锄头文库上搜索。
1、苏州大学本科生毕业设计（论文）本 科 毕 业 设 计（论 文）学院(部)电子信息学院题 目基于深度学习的车辆检测方法研究与实现年 级2014级专业通信工程班 级14通信学号1428404051姓 名廖东指导老师胡剑凌职称教授论文提交日期2018年5月21日目录摘要1ABSTRACT2第1章 绪论31.1 研究背景31.2 国内外进展41.2.1 目标检测算法41.2.2 车辆检测算法51.2.3 深度学习61.3 研究内容和论文结构6第2章 深度学习与卷积神经网络82.1 深度学习与卷积神经网络中的基本概念82.1.1 卷积神经网络的基本结构82.1.2 深度学习中的训练与测试方法112.2
2、经典卷积网络模型142.2.1 VGG网络142.2.2 GoogLeNet网络142.2.3 dropout与批量归一化162.3 本章小结16第3章 基于Caffe框架的车辆检测算法173.1 目标检测中的基本概念173.2 Caffe框架183.3 YOLO算法193.4 Faster R-CNN算法213.5 本章小结23第4章 实验仿真与性能分析244.1 实验准备244.1.1 实验环境244.1.2 数据集准备244.2 YOLO算法实现车辆检测254.3 Faster R-CNN算法实现车辆检测274.4 本章小结29第5章 总结与展望315.1 本文总结315.2 工作展望3
3、1参考文献33致谢35摘要车辆检测是目标检测的子类，其要做的是在给定图像中找出所有车辆并给出它们的边界框，是智能交通系统与车辆驾驶技术中最基础也是最重要的部分。从安全性与实用性的角度来讲，车辆检测器需要具有非常高的检测准确度并能完成实时处理。本文首先介绍了深度学习与卷积神经网络的基本概念，之后在此基础上详细叙述了Faster R-CNN与YOLO两种典型目标检测框架的流程，最后分别用这两种框架实现了车辆检测。实验使用的车辆数据集从PASCAL VOC数据集中提取，车辆数据集中包含了自行车、公交车、小汽车、摩托车与火车这5类车辆目标。基于深度学习编程框架Caffe的定制版本，实验实现了Faste
4、r R-CNN与YOLO两种目标检测算法并完成了车辆检测。实验使用梯度下降法训练卷积神经网络，使用同一测试集进行测试。在测试集上，基于Faster R-CNN实现的车辆检测算法mAP为83.68%，检测速度为9.7FPS，基于YOLO实现的车辆检测算法mAP为70.3%，检测速度为80.7FPS。根据实验结果，基于Faster R-CNN实现的车辆检测算法检测准确率较高，但检测速度相对较慢，基于YOLO实现的车辆检测算法已经达到了实时处理的标准，但对小而密的小汽车目标检测效果较差。关键词：深度学习；卷积神经网络；车辆检测；CaffeABSTRACTVehicle detection is a
5、subclass of object detection. What vehicle detection needs to do is to find all vehicles in a given image and give their bounding boxes. This is the most basic and important part of intelligent transportation systems and automatic drive. From the viewpoint of safety and practicality, vehicle detecto
6、rs need to have a very high detection accuracy and can realize real-time processing. This article first introduces the basic concepts of deep learning and convolutional neural networks. After that, it clarifies how Faster R-CNN and YOLO which are two typical kinds of object detection frameworks work
7、, and finally uses these two frameworks to implement vehicle detection. The vehicle data set used in the experiment was extracted from the PASCAL VOC data sets. The vehicle data set contained five types of vehicle objects: bicycle, bus, car, motorbike, and train. Using the customized version of the
8、deep learning programming framework Caffe, the experiment implements Faster R-CNN and YOLO and then completes the vehicle detection. The gradient descent method was used to train the convolutional neural network, and the two vehicle detectors are tested on the same test set.On the test set, the mAP
9、of vehicle detection algorithm based on Faster R-CNN is 83.68%, and the detection speed is 9.7 FPS. The mAP of vehicle detection algorithm based on YOLO is 70.3%, and the detection speed is 80.7 FPS. According to the results of this experiment, the detection accuracy of vehicle detection algorithm b
10、ased on Faster R-CNN is high, but the detection speed is relatively slow. The vehicle detection algorithm based on YOLO has met the requirement of real-time processing, but has a poor detection performance on cars which are small and dense.Key Words: Deep Learning, Convolutional Neural Network, Vehi
11、cle Detection, Caffe第1章 绪论1.1 研究背景随着我国社会经济水平的飞速发展，我国的汽车保有量日益增长。自上世纪八十年代执行改革开放后中国刚开始出现私人汽车起，到2017年年底我国的汽车保有量达到2.17亿辆止，在这近40年间，获得相同数量的汽车增长所要的时间越来越短。2003年我国汽车的社会保有量为1219万辆，私人汽车突破千万用了约20年时间，而到2006年，只经过3年，我国的汽车保有量已经达到2000万量，此后，我国汽车保有量增长的速度越来越快，到2010年，我国汽车保有量为7000万辆，而到2011年8月，汽车的保有量已经突破了1亿辆，我国现在已经成为世界最大的汽
12、车生产国和第一大的新车市场。汽车的出现与增长为人类社会带来了极大便利，不仅减少了两地间的交通时间，促进了各地区间的联系，还催生了许多新的产业，促进了经济与科技的发展。我们不能否认汽车给人类社会带来的积极作用，但是另一方面，汽车也引发了很多问题。首先，汽车数量的大量增长带来了严重的交通事故，尽管我国的交通事故发生数呈减少态势，但我国仍是世界上交通事故最多的国家之一，根据国际上的统计，交通事故损失会占到一个国家GDP的1.5%-3%，这个数字不容小觑。其次，随着全球车辆数目的增长，道路上的车辆密度也日益增加，这导致整个交通网络的车速持续下降，道路拥挤的比例不断增加。此外，汽车的尾气还造成了一定的环
13、境污染。在信息与通信技术高速进步的背景下，为了减轻汽车造成的负面影响，智能交通系统的建设已经走上日程。2017年6月，杭绍甬高速公路开始施工，计划在2022年杭州亚运会前建设完成，浙江政府将在这条高速公路上构建路网综合运行监测与预警系统，通过智能化、容错化设计整体提升该公路的运行效率，提高安全性，还计划远期构建车联网系统，全面支持自动驾驶。而在智能交通系统与自动驾驶技术中，车辆检测是必不可少的一环，起着至关重要的作用。车辆检测要做的是在给定图片中定位所有的车辆，这要求计算机不仅能在各种物体中辨别出车辆，还要能给出正确的边界框信息。为了在实际场景中引入车辆检测技术，我们必须确保车辆检测器拥有非常
14、高的检测正确率，此外，我们还需要不断降低检测所消耗的时间以满足实时检测的要求。综上所述，研究车辆检测很有现实意义。1.2 国内外进展1.2.1 目标检测算法车辆检测作为目标检测任务的子类，其进展与目标检测的进展息息相关。目标检测方法按是否使用人为设计的特征可以分为两类：传统方法与基于深度学习的方法。传统的目标检测算法主要研究的是特征的提取与分类，Viola和Jones使用Haar特征与Adaboost算法实现了实时的人脸检测1，法国研究人员Dalal发现HOG特征与SVM分类器特别适用于行人检测2。这些传统方法大致遵循以下流程：使用滑动窗口的方法获取目标候选窗，然后在每一个候选窗上提取Haar
15、、HOG等人为设计的特征，之后将所提取的特征输入到SVM等分类器中判断该候选窗是否为检测目标。传统的目标检测方法的准确度并不能满足实际使用的需求，主要是因为使用的特征为人工设计的特征，这些特征对目标的表征能力不强，是低等级的特征。此外，传统的目标检测方法需要对不同的任务设计不同的特征，同一特征对不同目标的表征效果相差较大。表示学习可以让机器自动地发掘原始数据中的特征，而深度学习作为一种表示学习则可以通过组合简单的低等级特征表达复杂的抽象特征，与传统手工设计的特征相比，深度学习学习到的特征具有更强的表征能力。因此，自2006年Hinton提出深度学习的概念后，随着图形处理单元的使用以及大型图像数据库的出现，深度学习被广泛应用到图像处理、语音识别、自然语言处理等诸多领域，且均取得了令人瞩目的效果。卷积神经网络是专门为图像处理设计出来的一种深度神经网络，在基于深度学习的目标检测方法中被广泛使用。基于深度学习的目标检测方法又可以分成基于区域提议的方法与基于回归的方法。基于区域提议的深度学习目标检测方法主要由R-CNN系列框架组成。在2013年，Ross Girshick提出了R-CNN框架5，R-CNN框架使用选择性搜
