基于深度学习的交通监控图像目标检测系统设计与实现

【摘要】：静态图像的目标检测就是对图像中的目标进行定位和分类。为促进平安城市、智能交通的快速建设与发展,从交通监控图像中快速准确获得交通信息,针对交通监控图像的目标检测技术尤为重要。利用目标检测的结果可将图像中的目标截取出来,有利于交通行为分析和交通犯罪追踪。目前主流目标检测算法都是基于深度学习创建,能快速准确检测出常见目标,但应用到交通监控图像,速度和准确率不能同时满足需求。本文基于深度学习,旨在创建一个针对交通监控图像的快速准确的目标检测系统。交通监控图像中的目标主要分为3类:机动车、非机动车和行人。传统的对静态图像目标检测的解决方法是先从图像中提取候选框,然后对候选框提取特征,最后进行分类,速度慢且不准确。本文依照目标检测算法YOLO中对图像进行分网格的思想,受到目标检测算法R-FCN的启发,去掉YOLO中卷积神经网络所有的全连接层,并加入一层平均采样层,优化整个卷积神经网络的损失函数,构造出新的卷积神经网络,基于此网络创建出目标检测算法,将其命名为OB-FCN(OBject detection by Full Convolution Network)。此算法比YOLO处理一张图像快18%,并且准确率还比其它算法例如R-CNN高。为进一步提高准确率,将OB-FCN和R-FCN联合使用,两种方法并行进行,最后取两者定位框的交集和类别概率的平均值,OB-FCN+R-FCN 的 mAP(mean Average Precition)在自制的测试集上可达到83.4%,YOLO约为64%。考虑到实际应用,可将夜间拍摄的图像进行去高光和增加对比度的预处理,本文采用直方图均衡化对夜间图像进行预处理,并提出基于流水线思想的方案,提高夜间图像的处理效率。整个系统分两个通道,一个用于处理白天图像,另一个用于处理夜间图像,每个通道中有两种算法可供选择,实时性好的OB-FCN 和准确率高的 OB-FCN+R-FCN。