基于改进的FAST R-CNN的前方车辆检测研究

• 作者: 史凯静 鲍泓
• 来源期刊: 计算机科学
• 学科: 工学
• 关键词: 前方车辆检测 样本图像 卷积神经网络 准确率
• 年，卷（期）: 2018,（z1）
• 所属期刊栏目: 模式识别与图像处理
• 页码范围: 179-182
• 页数: 4页
• 分类号: TP311
• 字数: 4242字
• 语种: 中文

摘要

目前,前方车辆检测的研究主要通过机器学习的方法,然而其难以解决遮挡和误检的问题.在这种背景下,使用深度学习的方法检测前方车辆更为有效.首先采用了选择性搜索方法获得样本图像的候选区域,然后使用改进的FAST R-CNN训练网络模型,检测道路前方车辆.已在KITTI车辆公共数据集上对该方法进行了测试,实验结果表明,所提方法的检测率高于CNN直接检测的结果,很大程度上解决了遮挡和误检的问题.而且,与先提取 Harr-Like特征然后利用 Adaptive Boosting分类器的算法相比,该方法在TSD-MAX交通场景数据库测试中实现了较高的性能.结果表明,该方法提高了车辆检测的准确性和鲁棒性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	鲍泓	北京联合大学北京市信息服务工程重点实验室	64	519	12.0	20.0
2	史凯静	北京联合大学北京市信息服务工程重点实验室	2	29	2.0	2.0