基于卷积神经网络的隧道行人目标检测算法研究.pdf

中文摘要 摘 要 隧道中行人目标的快速准确检测对保障隧道交通安全有着重要作用。相比于 传统的机器学习检测算法卷积神经网络可以自动学习图像丰富的特征，具有较强 的特征提取能力，基于卷积神经网络的行人检测算法在检测速度和检测精度上有 明显优势。但在隧道环境中，环境光照不足，监控视频图像模糊，噪声多，行人 目标在隧道监控视频中目标小、像素低，难以发挥卷积神经网络特征提取能力强 的优势。因此，研究基于改进卷积神经网络的隧道行人目标检测具有重要的理论 和实际意义。 近几年，R-CNN （Region-based Convolutional Neural Networks ）系列卷积神 经网络在目标检测方面取得了较好的效果。论文以Fast R-CNN 和Faster R-CNN 检测网络为基础，针对Fast R-CNN 候选区域提取时间过长问题以及Faster R-CNN 在隧道环境下行人特征提取效果不佳问题展开研究，提出了一种新的前景提取方 法以及超分辨率网络与 Faster R-CNN 级联的行人目标检测网络，并对 Faster R-CNN 中的 RPN （Region proposal network ）网络和 NMS （Non-maximum suppression ）算法提出改进以提高检测精度。本文的主要工作和贡献如下： ① 论文首先介绍了Fast R-CNN 检测网络，分析了Fast R-CNN 算法中采用 的Selective Search 候选区域提取算法原理，针对Selective Search 算法提取候选区 域时间过长的问题，提出了采用速度更快的背景差分与帧间差分法相结合的前景 提取方法，从而减少检测时间。 ② 通过反卷积操作进行图像特征可视化分析，发现卷积神经网络在隧道环境 下，对低分辨率行人目标提取的特征表达能力不足。针对该问题，提出了级联超 分辨率网络与Faster R-CNN 的新的SR-CNN 行人目标检测网络。论文基于超分辨 率重建实现对图像高频信息的补充，增加图像细节信息，使Faster R-CNN 生成语 义信息更丰富的特征图，从而提升检测精度。 ③ 针对Faster R-CNN 中RPN 网络提取候选区域时，采用的锚边框产生算法 中Anchor 候选框尺寸通过手工设计，没有利用行人的尺度先验信息，导致提取的 候选窗口不够准确的问题，论文采用K-Means 聚类算法对行人真实标注框进行统 计得到锚边框的尺度，以生成更高质量的候选窗口，提高预测框回归的准确性， 从而提升检测精度。 ④ Faster R-CNN 算法中处理重叠窗口时，采用基于固定阈值的贪心算法， 会将超过阈值的重叠窗口删除，对重叠目标容易造成漏检。针对该问题，论文采 用一种改进的非极大值抑制算法，设置一个分数衰减函数降低重叠窗口的分数， I 重庆大学硕士学位论文 而不是直接置零，避免重叠目标的直接删除，该方法能有效减少重叠目标的漏检。 综合上述改进，形成一种新的基于改进卷积神经网络的New-CNN 行人目标 检测网络模型。采集重庆高速公路隧道监控视频图像制作数据集，分别对改进网 络模型进行训练和测试。实验结果表明，与原始Fast R-CNN 和Faster R-CNN 算 法相比，论文提出的方法分别在检测速度和检测精度上有所提升，在实际隧道环 境中也取得了较好的检测效果。 关键词：行人检测，卷积神经网络，候选区域提取，RPN 网络，非极大值抑制 II 英文摘要 Abstract The rapid and accurate detection of pedestrian targets in tunnels plays an important role in ens