摘 要

智能车辆需要更快速、更精确地获取复杂的路况信息，因此需要具备非常先进的目标检测技术，以提升整个智能交通系统的鲁棒性。传统的车辆检测方法，通常是人工提取特征，这种方法往往会受到障碍物遮挡、阳光照射引起的颜色变化、气候因素引起的温度变化以及形变等影响，适用性以及检测效果较差。而利用卷积神经网络及其扩展模型可以较好地应对这些环境影响，在目标检测中拥有良好的性能。传统车辆检测适用条件需求较多，论文为了弥补传统算法中的短板与缺陷，实现了一种基于卷积神经网络的随机环境下的车辆目标检测算法，可识别出有效输入中的车辆及行人。

论文在研究学习物体检测算法的基本原理之后，根据不同模型的特点设计并训练模型。在训练之前，采集一定数量的图片，基于VOC2007数据集格式制作了新的行人及车辆检测数据库。调试并设定合理地参数值，训练完成后输入实况拍摄图片进行实验，验证了该算法的可行性。通过对比不同模型以及不同数据集的检测效果，分析出现检测误差的原因。

关键词：Faster-Rcnn；卷积神经网络；目标检测；VOC2007

Abstract

Intelligent vehicles need to acquire complex road condition information more quickly and accurately, so they need very advanced target detection technology to improve the robustness of the whole intelligent transportation system. The traditional vehicle detection method is usually manual feature extraction, which is often affected by obstacles, color changes caused by sunlight, temperature changes caused by climate factors and deformation, etc., and has poor applicability and detection effect. The convolutional neural network and its extended model can cope with these environmental impacts and have good performance in target detection. There are many requirements for the applicable conditions of traditional vehicle detection. In order to make up for the shortcomings and defects of the traditional algorithm, this paper implements a vehicle target detection algorithm in a random environment based on convolutional neural network, which can identify the vehicles and pedestrians in the effective input.

After studying the basic principle of object detection algorithm, the paper designs and trains models according to the characteristics of different models. Before the training, a certain number of pictures were collected and a new pedestrian and vehicle detection database was made based on VOC2007 data set format. The feasibility of the algorithm is verified by debugging and setting reasonable parameter values and inputting live photos for experiments after the training. By comparing the detection effects of different models and different data sets, the causes of detection errors are analyzed.

Keywords: Faster-Rcnn; Convolutional neural network; Target detection; VOC2007

目 录

第1章 绪论 1

1.1 研究目的意义 1

1.1.1 行人检测研究背景 1

1.1.2 车辆检测研究背景 2

1.2 国内外研究现状 3

1.2.1 行人检测研究现状 3

1.2.2 车辆检测研究现状 3

1.2.3 深度学习研究现状 4

1.3论文内容安排 4

第2章 设计的相关原理 6

2.1 神经网络 6

2.2 卷积神经网络的基本结构 7

2.3 局部感受野和权值共享 8

2.4 下采样（池化层） 9

2.5 卷积神经网络的工作原理 11

2.5.1 网络模型定义 11

2.5.2 网络训练 12

2.6 Faster R-CNN模型 13

2.6.1 模型比较及选定 13

2.6.2 Faster R-CNN的结构 13

2.6.3 RPN 14

2.6.4 NMS 15

2.6.4 loss值 15

2.7 Inception-ResNet_v2 15

2.8本章小结 16

第3章 系统的设计与实现 18

3.1 仿真平台 18

3.2 数据集 18

3.3 模型的设计与训练 18

3.3.1 模型设计 18

3.3.2 训练结果及分析 20

3.4 模型效果比较及分析 21

3.4.1 原始图像 21

3.4.2 不同数据集对于检测效果的影响 21

3.4.3 不同模型对于检测效果的影响 23

3.5 本章小结 24

第4章 总结与展望 25

4.1 本文工作总结 25

4.2 研究展望 25

参考文献 26

致谢 28

第1章 绪论

智能车辆需要更快速、更精确地获取路况信息，因此需要具备非常先进的目标检测技术。为了提升整个智能交通系统的稳定性，当前智能交通系统需要解决复杂路况环境下的车辆检测问题。车辆检测技术的成熟对于智能汽车的发展来说是一个必须经过的道路过程。传统意义上的车辆检测方法，通常是人工提取特征，这种方法往往会受到障碍物遮挡、阳光照射引起的颜色变化、气候因素引起的温度变化以及形变等影响，适用性以及检测效果较差。基于卷积神经网络的车辆检测算法可以改善检测效果并弥补部分传统算法的不足。

目标检测作为计算机视觉领域的基本任务之一，经过十多年的研究发展，有关研究学者们也获得了不错的成果。深度学习的快速发展，让人们不得不考虑将其应用于包括目标检测的各领域^[1]，原始的人工提取特征的算法也逐渐被深度学习的算法替代。关于目标检测领域的算法，最早被发表的是OverFeat与R-CNN，很快学者们基于R-CNN又提出了Fast R-CNN，以及性能更加优越的SSD，再到最近的M2Det算法。卷积神经网络的成功应用，使得基于深度学习的目标检测技术在各领域都获得了较好的试验效果，这些算法在网络开放数据集上的检测结果和性能都很出色。