基于深度学习的道路车辆目标检测方法研究

贾淑滟

(山西旅游职业学院 山西太原 030031)

随着计算机视觉和深度学习的迅速发展，道路车辆检测技术逐渐成为自动驾驶系统和智能交通系统的重要组成部分。它要求检测器快速实时检测车辆，以检测交通监控中的异常情况，如交通拥堵、违章停车等[1]。基于运动的模型包括背景差分、光流和帧减法。背景差分网络是基于高斯混合模型[2]通过区分前景和背景来检测车辆。而在光流方法中，特征向量的像素由模型进行定位，然后对这些向量像素进行跟踪。显然这很耗时，存在复杂性问题[3]，无法大量应用。而帧相减技术是通过计算两个或多个帧之间的差分来检测运动中的车辆，但这仍不适合用于检测快速的运动。基于特征的模型有梯度方向直方图、Haar特征和SURF特征等。梯度方向直方图特征具有丰富的描述性，根据梯度对像素进行分组。使用Haar特征可以指出感兴趣的区域[4]。SURF为尺度不变特征变换的描述符，在目标标记、车辆零件识别和物体识别方面非常有效[5]。早期的基于可变形部件的模型[6]在使用HOG特征和分类器进行检测时表现更好。卷积神经网络方法，如R-CNN，使用选择性搜索来生成建议区域[7]。而后深度学习取得了一些进展，出现了Fast-RCNN和Faster-RCNN，实现了最先进的结果[8-10]。Mask-RCNN是Faster-RCNN的进一步扩展，旨在解决定位像素级别目标实例分割的问题，但检测率低[11]。对检测到的目标进行跟踪对于分析和预测车辆的运动至关重要。跟踪器主要分为基于CNN和基于RNN[12]。基于CNN的跟踪器由于其卓越的特征提取能力和分类技术而在跟踪方面表现出色。……