基于改进卷积神经网络的车位角检测算法研究.pdf
《基于改进卷积神经网络的车位角检测算法研究.pdf》由会员分享,可在线阅读,更多相关《基于改进卷积神经网络的车位角检测算法研究.pdf(5页珍藏版)》请在咨信网上搜索。
1、 传感器与微系统()年第卷第期:()基于改进卷积神经网络的车位角检测算法研究张宝军,王钊璇,李孰非(西安邮电大学电子工程学院,陕西西安)摘要:针对自动泊车系统从视频中提取到的每帧图片用传统的算法检测目标时,会出现小目标检测效果不理想的问题,提出一种基于改进网络模型的车位角检测算法。改进后的模型将层、层与原本提取小目标特征的层进行特征融合,形成新的输出特征层,并删减掉原网络模型中检测大目标和中等目标的层和层。实验结果表明:与、和经典模型相比,改进后的模型在不同环境下对型和型车位角的检测准确率、召回率和均有提高,可以满足泊车实时检测的要求。关键词:;特征融合;车位角;目标检测;卷积神经网络中图分类
2、号:;文献标识码:文章编号:(),(,):,(),:();()引言自动泊车技术中的车位检测已经得到了广泛的研究,基于深度学习的车位检测可以分为两类:基于车位线检测和基于车位角检测。车位线检测在某些车位标识存在缺陷时,会导致车位检测的精确性降低,使传统算法泛化能力变弱,同时实时性方面也存在不足。因此,如何利用深度学习等新兴技术实现车位标识检测成为研究热点。文献 采用方法检测停车位,虽然提高了检测速度,但它仅限于检测并联停车位或垂直停车位。文献采用 模型检测停车位,解决了阴影、光照不均环境下的车位检测问题,但在车位标识损坏、不清晰等情况下无法检测。基于角点检测的思路,文献提出分层树模型,即自下而上
3、和自上而下种模式检测车位角点,但难以满足实时性要求。依据车载系统的局限性,以及自动泊车对车位检测准确性和实时性的要求,()模型在检测精度和速度方面综合性能较好,但存在对小目标检测敏感的问题。虽然泊车时的速度相对较低,但对于检测算法的实时性也有着相当高的要求,因而算法的优化加速也尤为重要。针对经典模型在车位检测中对小目标不理想的问题,本文提出改进车位角检测算法。首先,对模型中骨干网络进行特征融合;然后,对输出特征层进行适当删减;最后,采用迁移学习思想进行实验验证。收稿日期:基金项目:陕西省国际科技合作计划项目()第期张宝军,等:基于改进卷积神经网络的车位角检测算法研究基本原理经典算法对提取的个不
4、同维度的特征图分别进行分类和预测,其中,网络中的卷积层是用于目标检测的第一个输出特征图,从后面网络中提取出的卷积层,作为检测所用的其他特征层。图为现有网络体系结构。VGG-16检测非极大值抑制图 网络结构改进模型车位角检测 特征融合首先,将模型中不同尺寸特征层的图像进行选择性输出,引入特征层和特征层,二者的分辨率分别为 和,前者相比后者特征图分辨率更大,提取的特征更注重保留图像的边缘、纹理等细节信息,有利于车位角的检测。而层的有效接受域较大,引入的背景噪声很少,具有较强的感受野,因此,将中的层、层与原本提取小目标特征的层进行特征融合,形成更具有丰富特征信息的浅层卷积特征层,增强对车位细节特征的
5、描述能力,提高了小目标的检测率,同时,将它作为第一层特征输出用于后续的目标检测环节。本文采用通道融合的方法,如图所示。7575256Conv3_333 卷积核3838512Conv3_31919512Conv5_3上采样3838512Conv5_33838512Conv4_3融合3838512N_Conv4_3图 融合流程 考虑到特征图缩放时间方面的可行性和变化后质量的可用性,本文采用双线性插值()的方法对特征图进行转换,然后进行批归一化(,)处理来增强网络的鲁棒性,层图像的分辨率为 ,层图像的分辨率为 ,由式()得层与层图像像素点的对应关系为()()()()0()设(,)为待求像素点的坐标,
6、为相邻像素点坐标,则(,)(,),(,)(,),(,)(,),(,)(,)。根据式(),先在,方向上分别对点,和,各进行一次线性插值,求出点的值()和点的值()()()(),(,)()()(),(,0)()再根据式(),在方向上对,进行一次线性插值,求出目标点(,)的值()()()()()最后,通过式()以通道融合方式对 层、层和层进行融合 ()()式中 为各层的通道数;为卷积核参数;为层提取的特征图;为层提取的特征图;为层提取的特征图;为新的低层卷积特征图。算法改进经典模型是密集采样,使用,和六层特征图检测不同大小的目标,六层特征图大小分别是,。每个特征图中有 个中心点,每层特征图的中心点产
7、生个默认框,分别是,所以,共有 个边界框,随后将所有尺度预测值进行合并,最后使用非极大值抑制得到边界框的最优解。车位角相对于整张图片是小型目标,直接使用经典模型中设定好的默认框宽高比会导致检测结果较低。卷积神经网络的浅层网络能够提供更多车位角的细节信息,属于细节化特征,所以车位角检测主要依赖于浅层。随着卷积层的增加,特征图的感受野更大,待检测目标经过多次卷积和池化操作后会丢失一些细节信息,经典模型使用的和主要用于检测整张图片或检测占图比大于等于的目标,因此,本文将从经典网络体系结构中删除和检测部分,仅通过前个特征图,、和进行小目标检测,最终针对车位角检测的网络结构如图所示。改进后的网络模型,共
8、提取层特征图,不同特征传 感 器 与 微 系 统第卷Conv1Conv2Conv3_3VGGConv4_3Conv5_3N_Conv4_3Conv7Conv8_2Conv9_2检测非极大值抑制图 改进流程图设置的先验框数目不同,先验框的设置包括尺度和长宽比个方面。尺度的设置随着特征图大小降低,先验框尺度线性增加,可用式()表示()(),()式中 为特征图个数,因为层单独设置,故;为先验框占图片的比例,和为比例的最大值和最小值,且取值范围为 。按照式()可分别计算出先验框的宽度与高度槡,槡()式中 为先验框实际尺度;为先验框宽高比例,默认情况下,每个特征图会有一个且尺度为的先验框。预测边界框是基
9、于先验框的,因此,改进后的共预测个边界框,然后,在层特征图上执行目标检测,并对检测结果进行滤波以获得最终的结果。本文改进后的网络结构如图所示。30030064150150128Conv1Conv2Conv3_3Conv4_3Conv5_37575256383851219195123003003VGGN_Conv4_3383851219191?024Conv7Conv8_2Conv9_21010512552563325611256Conv10_2Conv11_2DEL检测非极大值抑制3003003图改进后的网络结构 利用迁移学习思想改进后的模型需要用大量标注好的数据去验证模型的有效性,而迁移学习
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 改进 卷积 神经网络 车位 检测 算法 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,个别因单元格分列造成显示页码不一将协商解决,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。