《表3 目标检测算法在非机动车检测中的应用》
2006年,Hinton[14]首次提出深度学习概念,开启了深度研究的热潮。2012年,Alex Net[15]模型在ILSVRC分类比赛中获得冠军,在计算机视觉领域获得突破性成果。此后,深度学习研究不断深入。在卷积神经网络的基础上,目标检测算法也随之取得突破性进展。2014年,R-CNN算法提出将候选区域与CNN结合对目标检测识别。2016年,Faster R-CNN算法实现端到端识别。YOLO算法、SSD算法实现了速度的进一步加快。对于目标检测算法在非机动车检测识别上的应用,Ahmad等[16]采用Faster R-CNN为基础网路,利用SVM+MOG(背景提取)方法提取运动车辆信息。Chen等[17]提出混合深度卷积神经网络(HDNN)对卫星图像车辆目标检测,该算法将最后卷积层和池化层的映射分为多个可变感受野,获取可变尺度特征。叶佳林等[18]通过设计特征融合结构和采用GIOU损失函数改进YOLO v3,降低非机动车漏检率,提高定位准确度。曹伟等[19]采用多尺度融合SSD算法检测车辆目标,并利用Camshift跟踪和Kalman滤波算法实现了目标实时跟踪。更多目标检测算法在非机动车检测识别上的应用如表3所示。这些方法可以检测识别出非机动车目标,但在实际应用中需要大规模的数据集训练模型,并且由于非机动车体积小、行驶相对密集,检测识别的准确度和实时性还比较差。
图表编号 | XD00201600000 严禁用于非法目的 |
---|---|
绘制时间 | 2021.03.15 |
作者 | 肖雨晴、杨慧敏 |
绘制单位 | 东北林业大学工程技术学院、东北林业大学工程技术学院 |
更多格式 | 高清、无水印(增值服务) |