基于深度学习的车辆检测方法,本文是检测方法方面本科论文开题报告范文跟深度和车辆检测方法和学习相关论文写作技巧范文.
检测方法论文参考文献：
摘 要：针对城区道路环境下智能车辆自主规划决策对周围其他车辆的感知需求,提出将全卷积网络技术引用到三维扫描数据上,进行结构化道路上车辆目标检测的研究.使用Velodyne64E 激光雷达得到道路场景的三维数据,完成车辆检测任务.将雷达扫描得到的三维数据呈现在2D 点云图中.利用三维点云与二维栅格相结合的特征提取方法,结合区域候选网络构成一个单个2D 端到端的全卷积网络并对车辆的目标和边框进行检测.使用KITTI 数据集进行实验,显示了所提方法的性能.结果表明该方法能够在城市道路上以每帧1.24 s 的速度准确检测到周围环境的车辆.
关键词：全卷积网络；区域候选网络；车辆检测
0 引言
近年来随着人工智能与机器人的发展,智能车作为一个研究分支,引起了国内学者的关注与研究.智能车是一个包括感知、决策及控制等技术的复杂系统[1-2].环境感知是智能车进行路径规划和控制决策的根本信息,决定了智能车行驶的安全性与合理性,车辆检测是环境感知的一个重要组成部分.
3D 传感器技术的快速发展促进了很多学者对点云中物体做检测与定位的研究.一些早期的特征表示方法,例如P. Bariya[3]等利用提取物体的固有特征完成检测与识别任务,这种人为提取物体特征形状信息的方法要想得到显著的效果,必须将特征形状信息提取的十分详细.然而,由于人为从数据中提取特征的方法存在有限性和不变性,导致了这些方法只适用于相对简单的场景.还有一些方法以图像为数据源,图像能够提供十分详细的纹理信息,因此许多方法从2D 图像中获取3D 边界框,例如X.Chen 等人提出的方法.但是,这些基于图像的3D 检测方法的准确性受到数据本身的深度纹理信息的局限性,得到的结果存在一定的误差.卷积神经网络是深度学习领域中突出的网络架构,其中格外突出的是R-CNN方法提出的候选区域网络,在目标检测领域取得了显著的成果[4-5].利用Bo Li 等人全卷积网络的思想,结合区域候选网络完成车辆检测任务.
1 检测方法
1.1 数据预处理
本文使用的是64 线三维激光雷达采集数据,每一帧的数据量约13 万个点,直接使用原始数据作为训练数据集,计算量是很大的,因此本文将64 线激光雷达捕获的点云数据,进行栅格化处理[6].根据激光雷达得到的原始三维点云数据,将其转换到车体坐标系中,再投影到二维栅格平面上.在本文将每一帧点云数据处理得到10 cm伊10 cm 大小的栅格[7],对栅格化后的每个栅格的属性进行赋值.
1.2 网络结构
1.2.1 卷积层
采用的CNN 网络架构主干部分与Long J[9]等人的方法相似,处理过的栅格化点云在前3 个卷积层中进行连续卷积采样提取特征,并且在这3 个卷积层的中间分别加入BN 层和ReLU 层,其作用为：① 防止训练时网络模型过拟合的发生；② 允许更大的学习率,缩短学习周期大幅提高训练速度；③ 减少了网络对初始化的强烈依赖.
1.2.2 区域候选网络
区域候选网络是将一个任意大小的图像作为输入,输出矩形目标建议框的集合,选出最佳边框.区域候选网络已经成为一些表现最好的目标检测方法的重要组成部分.在本文中,对R-CNN 方法的RPN 体系结构与特征学习网络层和卷积中间层结合起来,形成一个端到端的全卷积网络.该网络的体系结构如图1 所示.通过卷积并由BN 层和ReLU 层进行处理的目标特征信息损失了很多细节信息,所以定位结果并不精准.
因此,将第3 次卷积得到的结果利用上采样的方式进行处理,利用多层特征融合的思想将第1 次和第2 次卷积的结果同样做上采样处理,得到与第4 层结果倍数大小相同的数据.最终融合得到的特征结果作为分类层和边框回归层的输入,从而利用区域候选网络形成目标边框.
2 实验测试提出的方法是在KITTI 目标检测中的车辆检测任务上进行验证,KITTI 最初是用来评估图像中车辆、行人和自行车的目标检测,现在加入了相应的Velodyne 64E 扫描得到的点云数据集,它提供足够的数据来训练和测试目标检测算法.
KITTI 包含了7 481 帧的训练数据集和7 518 帧的测试数据集.实验中使用所有的训练数据对本文修改的网络做训练,并
使用测试数据集对得到的结果做分析.
与此同时,使用KITTI 在线评估对提出的方法和之前的相关工作进行比较.KITTI 根据图像中目标的二维边框的大小和遮挡情况,将目标样本划分为2 个难度级别,分别在这2 个难度级别的测试集中验证方法的有效性,并通过KITTI 在线评估系统将所提出的方法与先前的几种检测算法进行比较.
2.1 实验结果
KITTI 中的测试数据集中的标签是可以公开访问的.因此,挑选其中的一部分对提出方法的检测性能做离线评估.通过计算检测目标边框与ground truth 边框的重叠程度（IoU）来判定检测是否正确.依据KITTI 的评价标准车辆,目标检测的IoU 的阈值为0.7.同时通过平均正确率（AP）和平均方向相似性（AOS）来验证本文方法的优势.AP 是判定检测方法准确性的参照标准,AOS 是判定检测物体方向性准确性的标准.
距离50 m 以上的检测结果如图2 所示,激光雷达对前方有多辆车拥挤的交通场景的检测结果如图3 所示.本文的算法完成了车辆目标的检测,可以有助于对道路上的车辆目标进行更稳定的跟踪,并对智能车本身做路径规划.
2.2 在线评估
在KITTI 平台上测试评价过一些基于激光点云的检测方法,这些检测方法的准确度低于最先进的基于视觉的方法.这是由于图像数据具有更高的分辨率,显著提高了对远处和被遮挡物体的检测性能.然而,基于图像数据的检测方法并不能反映出目标方向性这一特性.因此在本文实验中,只对Vote3D 和VeloFCN 这2 个方法进行比较.利用KITTI 在线对3 种检测方法的AP 进行测试,得到的结果如表1 所示,呈现的结果显示了利用本文的检测方法,在2 个等级的数据集上测试得到的AP 结果都优于另外2 种方法,结果的准确率有所提高.
本文是在装有i7,2.8 GHz 的CPU 电脑上使用python 进行仿真测试,完成检测所需要的时间为1.24 s,其中点云预处理及输入特征运算需要100 ms,卷积中间层需要600 ms,区域候选网络生成目标边框需要540 ms,可以满足在城市道路上行驶的智能汽车的车辆检测要求.
3 结束语
与传统的基于激光点云数据的车辆检测方法不同,本文采用深度学习的方法在VeloFCN 的端对端的全卷积神经网络进行改进优化.利用KITTI 的点云数据集训练完成本文提出的方法.通过实验验证本文的方法对车辆目标检测的平均精确度有一定程度的提高.将本文方法针对国内公路状况采集相应数据,训练并改进网络进一步提高检测精度,提高算法速度.
评论:这篇文章为适合不知如何写深度和车辆检测方法和学习方面的检测方法专业大学硕士和本科毕业论文以及关于检测方法论文开题报告范文和相关职称论文写作参考文献资料.
基于交通视频监控的车辆异常行为检测方法
强永军1 熊艳梅2（成都理工大学工程技术学院 四川 成都 614000）摘 要经济水平的不断提高和城市化建设进程的加快推动了交通道路的快速发展,同时国民拥有的汽车数量也呈现逐渐增长的趋势 但交通拥堵.
的危害与检测方法进展
1 的来源是动物适用的一类药物,具有促进糖原分解、抑制脂肪合成、同化蛋白质……功效,这类药物主要包含盐酸克伦特罗、莱克多巴胺、沙丁胺醇、硫酸特布他林、马布特罗……,一般来说,饲料中添加适量盐酸克伦特罗.
食品中脱氢乙酸检测方法
脱氢乙酸（DHA）,是一种无色结晶或淡粉末,难溶于水,溶于苯、、丙酮及热乙醇中 脱氢乙酸作为一种防腐剂,允许在食品中添加,但是国家对添加量有着严格的规定,不同食品中的允许添加量不同 例如,腌渍的蔬菜中.
食品添加剂硝酸盐、亚硝酸盐检测方法
摘要硝酸盐和亚硝酸盐作为防腐剂和着色剂被广泛应用到食品加工生产当中,但若是过量摄入的话,会直接导致中毒甚至死亡 因此,对食品中硝酸盐、亚硝酸盐剂量进行检测,将用量控制在既定范围内,对保证人体健康具有重.