论文部分内容阅读
车辆检测在辅助驾驶、交通管理、遥感图像等方面都有着重要应用,随着近些年车辆的不断增多,和人们对于车辆检测技术需求的不断提高,车辆检测已经成为目标检测领域的重要研究对象。传统的目标检测方法可以提高车辆检测的准确率,但无法在复杂场景中取得好的效果,在车辆检测中存在瓶颈。基于深度学习的目标检测方法,使用大量图像数据训练复杂的网络模型,可以提取图像中更深更有效的目标特征,在复杂场景中的检测效果优于传统方法,提高了车辆检测的性能。基于深度学习的目标检测方法是研究者们重要的研究课题,并且取得了非常好的研究成果,在今后的研究和应用方面都有很大潜力。本文在对车辆检测和深度学习等技术研究的基础上,根据多种场景下的样本量不同制定不同的算法对车辆进行检测,为车辆检测性能的改进提供了新思路,主要研究成果如下:(1)针对深度学习车辆检测方法中的检测时间和存储空间问题,我们使用基础组件为深度可分离卷积(Depthwise Separable Convolution,DSC)的MobileNet特征提取网络替代原来Faster R-CNN算法中的VGG网络,通过改变卷积的过程来减少网络卷积中产生的参数量和计算量。并在RPN中引入维度聚类真实数据(Ground Truth,GT)得到的锚框宽高,更快得到更准确的候选区域,作为目标分类和边框回归的依据。该算法将网络模型的存储空间减小到42.52MB,真实道路图像和光学遥感图像的车辆检测时间分别减少到0.07s和0.09s。(2)针对光学遥感和真实道路图像中小目标车辆的检测问题,我们将Faster R-CNN算法中MobileNet作为特征提取网络提取的多尺度特征图通过最大池化和反卷积操作进行尺寸统一,并将特征图进行融合,融合后的特征图作为共享特征图,来优化目标检测算法中小目标车辆错检和漏检的情况。基于此情况,可以提高对小目标车辆的检测性能,将真实道路图像和光学遥感图像车辆检测的平均检测精度提高到94.43%和85.21%。(3)针对合成孔径雷达(SAR)图像中的车辆检测问题,由于SAR图像数据量有限,用深度学习的方法不能训练出有效的模型,以至于不能取得好的检测效果。基于小样本下,我们提出基于特征融合稀疏表示模型的SAR图像车辆检测方法,该方法把车辆检测集成在稀疏表示(Sparse Representation,SR)融合框架内。首先通过与可用目标集相关的字典,对一组特征执行稀疏重构,生成一组残差。然后将残差归一化并组成单个残差序列。基于收集的所有特征的残差序列集合,依据线性融合策略来确定目标类别的最佳估计,依次获取目标的检测结果。基于真实场景数据的测试结果显示,所提出的方法对SAR图像中的车辆检测达到了 97.17%的准确率。