基于深度卷積神經(jīng)網(wǎng)絡(luò)的智能車(chē)輛目標(biāo)檢測(cè)方法研究.pdf

1、目標(biāo)檢測(cè)是智能車(chē)輛視覺(jué)系統(tǒng)一項(xiàng)非常重要的內(nèi)容。目前智能車(chē)輛視覺(jué)系統(tǒng)主要是以行人與車(chē)輛為研究對(duì)象。然而，當(dāng)前大多數(shù)行人與車(chē)輛檢測(cè)算法均使用傳統(tǒng)幾何特征與分類(lèi)器相組合的方法，這些方法雖然取得了一定的成果，但是對(duì)于行人或車(chē)輛存在遮擋、形變等情況時(shí)，其整體檢測(cè)效果并不理想。而利用深度卷積神經(jīng)網(wǎng)絡(luò)則可以在一定程度上克服這些因素的影響。但與此同時(shí)，深度卷積神經(jīng)網(wǎng)絡(luò)又存在訓(xùn)練與測(cè)試速度慢的弱點(diǎn)。本文針對(duì)智能車(chē)輛視覺(jué)系統(tǒng)中行人檢測(cè)與車(chē)輛檢測(cè)存在的難點(diǎn)問(wèn)

2、題展開(kāi)研究，論文的主要工作和成果為：
　　針對(duì)智能車(chē)輛視覺(jué)系統(tǒng)中目標(biāo)檢測(cè)問(wèn)題，提出了基于邊緣盒(Edgebox)改進(jìn)的Fast-Rcnn算法。該算法借鑒人類(lèi)視覺(jué)系統(tǒng)的顯著性機(jī)制，利用物體邊緣信息構(gòu)造潛在的行人與車(chē)輛目標(biāo)候選區(qū)域。在此基礎(chǔ)之上，結(jié)合Fast-Rcnn實(shí)現(xiàn)了一種快速、準(zhǔn)確的目標(biāo)檢測(cè)算法。在實(shí)驗(yàn)中，對(duì)比了改進(jìn)Fast-Rcnn與原始Fast-Rcnn算法在Pascal VOC2007目標(biāo)檢測(cè)數(shù)據(jù)庫(kù)中的性能。最后利用實(shí)車(chē)采

3、集的圖像數(shù)據(jù)進(jìn)行實(shí)驗(yàn)驗(yàn)證了改進(jìn)Fast-Rcnn算法的有效性。
　　提出了改進(jìn)Fast-Rcnn與OS-ELM(Extrem Learning Machine for online sequential data,OS-ELM)組合分類(lèi)學(xué)習(xí)算法，該算法可以很好的解決Fast-Rcnn中分類(lèi)器收斂速度慢、分類(lèi)精度不高等問(wèn)題。OS-ELM是一種可連續(xù)、分批輸入訓(xùn)練數(shù)據(jù)的增量式學(xué)習(xí)方法，通過(guò)將其與改進(jìn)Fast-Rcnn算法相結(jié)合，進(jìn)一步