论文部分内容阅读
夜间车辆检测是计算机视觉领域一个具有挑战性的问题。夜间光照条件差,车辆外形特征不明显,导致交通事故频发。针对夜间车辆检测误检率高、检测速率慢的问题,本文研究了基于单目视觉的夜间前方车辆检测方法,以提高夜间行车的安全性。论文主要工作包括以下三部分:(1)基于CenSur E特征的车灯检测算法。由于人工设定阈值和滤波器线性采样,导致特征点稀疏、噪声多,本文在中心环绕双层滤波器上利用对数尺度采样获取密集的特征点,并使用多级Otsu阈值滤除不稳定的特征点;然后,根据颜色阈值进一步确定车灯区域;最后,根据配对约束条件进行车灯配对。相比于原始CenSurE算法,本文的改进方法能提取到密集和噪声较少的特征点,查准率提高了8.6%,提高到41.2%,查全率提高了12%,提高到53.3%,但是仍误检部分路灯、广告牌等非车灯光源。(2)针对传统方法优秀的人工特征也难以准确检测车辆的问题,本文提出了基于Faster RCNN的夜间车辆检测算法,使用深层卷积神经网络学习出更好的车辆描述特征。原始Faster RCNN随机选取负样本的机制,没有专注区分车灯和非车灯光源,本文通过改进的Cen SurE特征启发式地挖掘困难样本,以增强模型分类性能。与原始模型相比,困难样本挖掘模型的AuC提高了8.1%,提高到84.4%。(3)针对Faster RCNN检测速率较慢,难以满足实时性要求的问题,本文提出一种基于PCA降维的Faster RCNN模型优化方法。首先对模块C全连接层参数进行降维,为了保证模型收敛,在原始训练步骤的基础上增加两步分别用于学习模块B和模块C的参数。然后结合(2)的在线困难样本挖掘机制进行模型学习,相比于原始模型,本文改进的模型减少了近5000万个参数,每一秒的检测帧数由原来的17帧提升到24帧,Au C提高了9.8%,提高到86.1%。针对Faster RCNN,本文除了使用与训练样本类似的高速路和市区场景进行测试,还挑战性地使用与样本不一致的困难场景进行测试,通过实验,证实了本文模型的普适性和泛化能力。