基于区域卷积网络的行驶车辆检测算法

论文摘要

为解决多种天气与多种场景下主干道路行驶车辆检测存在的实时性、泛化能力差、漏检、定位不准确等问题,研究了基于TensorFlow深度学习框架的区域卷积神经网络（Faster R-CNN）算法,通过引入VGG16神经网络模型,优化ROI Pooling Layer,并采用联合训练方法,得到改进的算法模型。采用UACAR数据集进行模型训练,实现行驶中的车辆检测,测试结果与优化前Faster R-CNN比较,MAP提高了7.3个百分点,准确率提高了7.4个百分点,检测用时0.085 s,提高了对多种环境与场景的适应性。

论文目录

• 0 引言
• 1 Faster R-CNN算法及优化
•   1.1 Faster R-CNN算法
•   1.2 算法优化
• 2 网络训练
• 3 仿真实验及结果分析
•   3.1 实验平台
•   3.2 数据集处理
•   3.3 实验结果分析
•     3.3.1 最优阈值
•     3.3.2 不同数据集测试结果比较
•     3.3.3 优化前后比较
•     3.3.4 不同算法比较
• 4 结束语

文章来源

类型: 期刊论文

作者: 曹长玉,郑佳春,黄一琦

关键词: 行驶车辆检测,卷积神经网络,联合训练

来源: 集美大学学报(自然科学版) 2019年04期

年度: 2019

分类: 基础科学,工程科技Ⅱ辑,信息科技

专业: 公路与水路运输,计算机软件及计算机应用,自动化技术

单位: 集美大学航海学院,集美大学信息工程学院

基金: 福建省科技计划重点项目(2017H0028),福建省自然科学基金项目(2013J01203,2015J01265)

分类号: U495;TP183

DOI: 10.19715/j.jmuzr.2019.04.10

页码: 315-320

总页数: 6

文件大小: 1523K

下载量: 69