论文部分内容阅读
在夜间，昏暗的驾驶条件导致事故发生率远高于其他时间段。辅助驾驶是帮助驾驶员避免相关事故的关键技术，其中的车辆检测又是其核心模块。传统方法通常利用单一的低层级车辆特征进行检测，因而它们在复杂多变的环境下鲁棒性较差。基于深度学习的检测方法能够提取语义信息更丰富的高层级车辆特征，它们对变化场景的适应能力更强。然而，现有的深度学习检测方法通常应用在光线良好的白天，在夜间场景下它们存在诸多挑战：微弱的光照环境使得车辆特征容易被隐藏、数据集相对缺乏、网络对车辆显著特征学习不够充分、检测手段单一导致只能反映一部分目标的情况。这些都使得现有的深度学习方法难以表现出与白天场景相当的检测效果。
针对现存技术的上述挑战，提出了一种基于深度学习的夜间车辆检测算法。其主要研究工作如下：
1.针对夜间车辆特征容易隐藏以及数据集缺乏的问题，基于Retinex理论提出了一种利用多曝光图像进行融合的预处理增强算法IBIMEF(Improved Bio-Inspired Multi-Exposure Fusion)。另外，通过对基于不同原理的增强算法进行研究，利用主观和客观评估指标对其中六种方法以及本文提出的IBIMEF算法进行了分析，并设计了一种采用提出的IBIMEF算法进行预处理和使用多种性能良好的增强算法进行数据集增强的数据处理方案。实验结果证明，增加这两个操作到FasterR-CNN中能够将检测平均精准度提高2.9%。
2.针对车辆显著信息利用不够充分的问题，提出了一种显著特征图产生器(Salient Feature Maps Generator)算法SFMG。首先通过自适应阈值分割出车灯、反光车身等候选显著区域，再利用这些区域和车辆标签进行分类器训练来构造显著特征图产生器SFMG。生成的显著特征图通过最大池化操作进行多尺度变换，最后拼接到检测网络的不同卷积层并与网络提取的视觉特征进行融合。实验结果显示，融合了显著特征图的FasterR-CNN网络，平均精准度提升了2.7%。
3.针对检测手段单一造成的泛化性差的问题，提出了一种多模型集成算法MMEA(Multi-model Ensemble Algorithm)。该算法首先基于集成学习的思想从训练数据、训练策略、训练网络的种类三个层面构造训练模型的多样性，然后利用交并比和置信度对多个模型的检测结果进行交集和并集运算，运算得到的集成结果经过去除冗余检测框处理后作为最后的输出。MMEA算法利用不同网络的优势集成多个模型的结果，实验证明集成后的结果平均精准度到达86.71%。
针对现存技术的上述挑战，提出了一种基于深度学习的夜间车辆检测算法。其主要研究工作如下：
1.针对夜间车辆特征容易隐藏以及数据集缺乏的问题，基于Retinex理论提出了一种利用多曝光图像进行融合的预处理增强算法IBIMEF(Improved Bio-Inspired Multi-Exposure Fusion)。另外，通过对基于不同原理的增强算法进行研究，利用主观和客观评估指标对其中六种方法以及本文提出的IBIMEF算法进行了分析，并设计了一种采用提出的IBIMEF算法进行预处理和使用多种性能良好的增强算法进行数据集增强的数据处理方案。实验结果证明，增加这两个操作到FasterR-CNN中能够将检测平均精准度提高2.9%。
2.针对车辆显著信息利用不够充分的问题，提出了一种显著特征图产生器(Salient Feature Maps Generator)算法SFMG。首先通过自适应阈值分割出车灯、反光车身等候选显著区域，再利用这些区域和车辆标签进行分类器训练来构造显著特征图产生器SFMG。生成的显著特征图通过最大池化操作进行多尺度变换，最后拼接到检测网络的不同卷积层并与网络提取的视觉特征进行融合。实验结果显示，融合了显著特征图的FasterR-CNN网络，平均精准度提升了2.7%。
3.针对检测手段单一造成的泛化性差的问题，提出了一种多模型集成算法MMEA(Multi-model Ensemble Algorithm)。该算法首先基于集成学习的思想从训练数据、训练策略、训练网络的种类三个层面构造训练模型的多样性，然后利用交并比和置信度对多个模型的检测结果进行交集和并集运算，运算得到的集成结果经过去除冗余检测框处理后作为最后的输出。MMEA算法利用不同网络的优势集成多个模型的结果，实验证明集成后的结果平均精准度到达86.71%。