Print

基于卷积神经网络和RGB-D图像的车辆检测算法

论文摘要

针对利用彩色图像进行车辆检测时会受到路面阴影、车辆反光和光线不足等复杂情况影响的问题,提出一种基于卷积神经网络并融合彩色与深度图像的车辆检测算法。设计单通道RG-D融合网络和双通道RGB-D融合网络两种改进模型,分别用于提高检测速度和准确度。实验使用GTA（Grand Theft Auto）车辆数据集对该算法进行测试,并与基于RGB图像的其他流行算法进行对比和分析,结果表明:与基于彩色图像的Yolo v2算法相比,利用双通道RGB-D融合网络检测的准确率和召回率分别提升5.69%和6.31%,利用单通道RG-D融合网络对单一图像的最快检测速度达到24ms。实验证明,基于RGB-D图像的改进网络模型能够实现实时检测,并有效提高车辆检测精度。

论文目录

  • 1 引言
  • 2 算法原理
  •   2.1 S-RGD结构
  •   2.2 D-RGBD结构
  • 3 实验过程与结果
  •   3.1 RGB-D数据预处理
  •   3.2 训练及测试环境
  •   3.3 实验结果及性能评价
  • 4 结果分析与比较
  •   4.1 与基于Yolo v2的RGB图像车辆检测对比实验
  •   4.2 与其他目标检测方法的对比实验
  • 5 结论

    • 文章来源

    类型: 期刊论文

    作者: 王得成,陈向宁,赵峰,孙浩燃

    关键词: 图像处理,车辆检测,计算机视觉,卷积神经网络,图像

    来源: 激光与光电子学进展 2019年18期

    年度: 2019

    分类: 信息科技,工程科技Ⅱ辑

    专业: 公路与水路运输,计算机软件及计算机应用,自动化技术

    单位: 航天工程大学研究生院,航天工程大学航天信息学院,61618部队,酒泉卫星发射中心

    基金: 国防科技创新特区专项(18-H863-01-ZT-002-055)

    分类号: U495;TP391.41;TP183

    页码: 119-126

    总页数: 8

    文件大小: 6001K

    下载量: 465

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/65e1cd299f641c057f8ecfeb.html