登录 | 注册 | 充值 | 退出 | 公司首页 | 繁体中文 | 满意度调查
综合馆
基于深度学习的监控视频中多类别车辆检测
  • 摘要

    针对传统机器学习算法在交通监控视频的车辆检测中易受视频质量、拍摄角度、天气环境等客观因素影响,预处理过程繁琐、难以进行泛化、鲁棒性差等问题,结合空洞卷积、特征金字塔、焦点损失,提出改进的更快的区域卷积神经网络(Faster R-CNN)和单阶段多边框检测检测器(SSD)两种深度学习模型进行多类别车辆检测.首先从监控视频中截取的不同时间的851张标注图构建数据集;然后在保证训练策略相同的情况下,对两种改进后的模型与原模型进行训练;最后对每个模型的平均准确率进行评估.实验结果表明,与原Faster R-CNN和SSD模型相比,改进后的Faster R-CNN和SSD模型的平均准确率分别提高了0.8个百分点和1.7个百分点,两种深度学习方法较传统方法更适应复杂情况下的车辆检测任务,前者准确度较高、速度较慢,更适用于视频离线处理,后者准确度较低、速度较快,更适用于视频实时检测.

  • 作者

    徐子豪  黄伟泉  王胤  XU Zihao  HUANG Weiquan  WANG Yin 

  • 作者单位

    同济大学 计算机科学与技术系,上海201804;嵌入式系统与服务计算教育部重点实验室(同济大学),上海201804

  • 刊期

    2019年3期 ISTIC PKU

  • 关键词

    深度学习  车辆检测  空洞卷积  特征金字塔  焦点损失 

相似文献 查看更多>>
3.228.24.192