《表3 目标检测算法在非机动车检测中的应用》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《目标检测算法在交通场景中应用综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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。