导读:本文包含了车辆检测区域论文开题报告文献综述及选题提纲参考文献，主要关键词:柴油,控制装置,货车,补贴,合同签署,产品设计方案,路检,交警,监控平台,氮氧化物
车辆检测区域论文文献综述
巴家伟[1]（2019）在《柴油货车加装污染控制装置补贴受理将于12月15日结束》一文中研究指出本报讯（巴家伟）12月15日，我市从8月启动的国Ⅲ中重型柴油货车加装污染控制装置受理补贴将全面结束。市财政为每台加装污染控制装置车辆补贴30%费用（总额不超过1万元），提醒广大柴油货车车主尽快持相关手续到二十高机动车检测大厅登记备案（以叁方合同签署时(本文来源于《大连日报》期刊2019-11-24）
曹长玉,郑佳春,黄一琦[2]（2019）在《基于区域卷积网络的行驶车辆检测算法》一文中研究指出为解决多种天气与多种场景下主干道路行驶车辆检测存在的实时性、泛化能力差、漏检、定位不准确等问题,研究了基于TensorFlow深度学习框架的区域卷积神经网络(Faster R-CNN)算法,通过引入VGG16神经网络模型,优化ROI Pooling Layer,并采用联合训练方法,得到改进的算法模型。采用UA_CAR数据集进行模型训练,实现行驶中的车辆检测,测试结果与优化前Faster R-CNN比较,MAP提高了7.3个百分点,准确率提高了7.4个百分点,检测用时0.085 s,提高了对多种环境与场景的适应性。(本文来源于《集美大学学报(自然科学版)》期刊2019年04期）
利齐律,程良伦,黄国恒[3]（2019）在《基于显着性区域检测的抗干扰车辆颜色识别》一文中研究指出在车辆颜色识别的过程中,车辆图像中主要颜色区域的准确分割、排除非颜色干扰区域始终是个问题。因此提出一种基于显着性区域检测的抗干扰车辆颜色识别算法,针对车辆颜色区域分割不准确问题进行一定程度的改善,去除车辆颜色干扰区域并使用自适应k近邻算法(KNN)进行颜色分类。实验结果表明,该方法能有效分割车辆主要颜色区域,并且能达到比较好的分类识别效果。(本文来源于《工业控制计算机》期刊2019年05期）
贾瑞[4]（2019）在《基于RCNN的车辆区域检测研究》一文中研究指出作为计算机视觉研究的一个比较重要的领域,目标识别在实际应用中的对车辆检测和车型识别具有十分重要的意义。本文运用基于Cifar10Net训练的RCNN模型,利用RCNN对车辆区域进行检测。在进行识别检测时,利用cifar10Net和RCNN训练出目标检测器,然后利用训练好的AlexNet模型进行车型识别。(本文来源于《数字技术与应用》期刊2019年02期）
高鑫,李慧,张义,闫梦龙,张宗朔[5]（2018）在《基于可变形卷积神经网络的遥感影像密集区域车辆检测方法》一文中研究指出车辆检测是遥感图像分析领域的热点研究内容之一,车辆目标的智能提取和识别,对于交通管理、城市建设有重要意义。在遥感领域中,现有基于卷积神经网络的车辆检测方法存在实现过程复杂并且对于车辆密集区域检测效果不理想的缺陷。针对上述问题,该文提出基于端到端的神经网络模型DF-RCNN以提高车辆密集区域的检测精度。首先,在特征提取阶段,DF-RCNN模型将深浅层特征图的分辨率统一并融合;其次,DFRCNN模型结合可变形卷积和可变形感兴趣区池化模块,通过加入少量的参数和计算量以学习目标的几何形变。实验结果表明,该文提出的模型针对密集区域的车辆目标具有较好的检测性能。(本文来源于《电子与信息学报》期刊2018年12期）
高军山,陈杭,林慧平,殷君君,杨健[6]（2018）在《高分辨力极化SAR图像城市区域车辆目标检测》一文中研究指出研究基于高分辨力极化合成孔径雷达(SAR)图像的城市区域车辆目标自动检测方法。城市区域具有复杂的地物,这给在城市区域进行车辆目标检测工作带来困难。首先采用FreemanDurden分解、极化白化滤波器(PWF)和相似性参数3种方法来提取图像数据的极化信息;在此基础上,采用深度卷积神经网络来对车辆目标和其他地物进行二分类,实现对城市区域车辆目标的检测。基于机载分米级分辨力极化SAR数据的实验结果验证了该方法的有效性,在较低的虚警率下获得较高的检测率。将3种极化特征融合时,能够在虚警率为2.82%时获得95.65%的检测率。(本文来源于《太赫兹科学与电子信息学报》期刊2018年04期）
张鹤鹤[7]（2018）在《区域卷积神经网络在车辆检测中的应用研究》一文中研究指出车辆检测是智能交通系统中的基础组成部分,解决复杂环境下的车辆检测问题有利于提升整个智能交通系统的鲁棒性。传统的根据人工规则提取特征的车辆检测方法在复杂环境中易受光照、遮挡和形变等因素的影响,泛化能力较差。而区域卷积神经网络及其扩展模型在目标检测任务中具有良好的性能。因此,采用区域卷积神经网络进行车辆检测具有重要意义。本文的主要研究内容如下:1.分析了目前应用广泛的基于深度学习的目标检测方法,重点研究了基于区域卷积神经网络的Faster R-CNN模型以及该模型在车辆检测中的应用。2.针对FasterR-CNN模型在车辆检测应用中存在的两个问题:(1)图像中目标大小不一,小尺寸车辆漏检严重;(2)负样本空间大导致模型判别能力低下。本文对Faster R-CNN模型进行了改进,首先修改锚框尺寸,在特征提取阶段引入多层特征融合策略;其次利用多尺度图像对Faster R-CNN模型进行训练;最后挖掘难负样本,将难负样本加入到训练集中,对模型进行二次训练。3.借助KITTI数据集以及实际环境中采集的数据集来验证改进的Faster R-CNN模型的有效性,并分析了不同锚框尺寸、特征融合层数、训练图像尺度以及难负样本挖掘策略对改进的Faster R-CNN模型检测性能的影响。实验结果表明:(1)基于改进的Faster R-CNN模型的车辆检测方法具有较高的准确率和较快的检测速度;(2)重新设定的锚框尺寸、多层特征融合策略和多尺度训练增加了模型对于小尺寸车辆的检测能力;(3)难负样本挖掘策略能够消除负样本空间大带来的模型判别能力低下的问题。(本文来源于《西安理工大学》期刊2018-06-30）
孙晓琳[8]（2018）在《二值样本与自适应感兴趣区域夜间车辆检测》一文中研究指出进入二十一世纪以来,交通工具智能驾驶技术发展迅速。目前,以Google为代表的自动驾驶汽车,包括特斯拉、Waymo、通用和Uber等,已经进入实际道路测试阶段。作为新型交通形式的开拓者,选择自动驾驶汽车已成为不可逆转的新趋势。车辆检测作为自动驾驶汽车或辅助驾驶系统的基础,主要基于雷达、激光雷达等被动传感器实现,可满足高精度和实时性的需求。目前比较成熟的半自动驾驶系统,如特斯拉地Autopilot系统、凯迪拉克的Super Cruise系统、奔驰Drive Pilot系统,平均售价为6万美元到10万美元,设备价格昂贵阻碍了自动驾驶系统在民用领域的普及。另外,声呐、毫米波雷达可快速探测周围目标,但对远方或直径较小的目标探测能力差,交通状况拥堵时设备信号之间相互干扰,误差的不断累积也会影响系统正常工作。而基于计算机视觉的车辆检测技术,使用价格低廉的摄像头采集高分辨率交通图像,作为一种可替代方案不仅可极大降低自动驾驶系统成本,还可提供丰富的视觉信息用于目标识别。目前基于视觉的车辆检测研究大多关注日间模式,而夜间城市道路灯光复杂且照明不均匀,这对于基于视觉的夜间车辆检测方法造成了挑战。夜间交通图像中,车辆(车灯)呈现不规则的亮团块,前方车辆的形状、颜色、边缘、纹理和角点等用于日间车辆检测的底层图像特征,在低照度的夜间交通图像中缺失,同时也不能提取足够常规的车辆(车灯)运动特征。因此,绝大多数基于视觉的日间车辆检测方法不适用于夜间模式。而夜间行车过程中,光线不足造成视野受限,驾驶员无法准确快速判断前方车辆行驶动向,极易因为疲劳与精力分散等主观因素造成操作失误,因此实现夜间车辆智能驾驶有很大需求。针对上述存在问题,本文提出一种基于车前灯二值化Haar特征训练级联AdaBoost分类器进行夜间车辆检测的方法,并提出连续帧车灯最大相似度准则匹配车灯对检测结果进行补偿。针对夜间交通图像灯光复杂的问题,对图像阈值处理算法进行改进,提出最大似然阈值算法,并通过检测路灯所在线段以自适应确定感兴趣区域(ROI),进一步去除干扰灯光。本文采用的二值样本方法可缩减35%训练时耗;自适应ROI方法可去除约75%背景区域;车辆检测在不同路况平均召回率为93.78%。实验结果表明,本文阈值处理方法与感兴趣区域确定方法适用于夜间环境交通图像的预处理,并且基于二值样本分类器的车辆检测方法具有良好的实时性和召回率,能够适应多种路况条件下夜间车辆检测。(本文来源于《山东大学》期刊2018-05-15）
王雪,隋立春,李顶萌,李丽[9]（2018）在《区域卷积神经网络用于遥感影像车辆检测》一文中研究指出针对大范围快速的车辆检测与计数,利用高分辨率卫星影像数据,提出了一种基于区域卷积神经网络的车辆检测算法。区域卷积神经网络是深度卷积神经网络和区域建议网络二者的结合。首先利用深度卷积神经网络自动提取各个层的特征,为了减少检测窗口的数量,提出区域建议网络,对下采样后的每个位置考虑3种窗口和对应的3种比例,这样大大减少了检测窗口的数量。再根据分类器对目标进行分类。这样将特征、检测窗口和分类器有效地结合在一起。在对遥感影像车辆检测试验中,通过对手工标注的车辆样本数据多次迭代来训练卷积神经网络和区域建议网络获取车辆检测的先验模型,再由先验模型检测出测试影像中车辆目标。与传统的基于梯度方向直方图(HOG)特征和支持向量机(SVM)车辆检测算法进行比较,在检测率方面,区域卷积神经网络算法明显高于HOG+SVM算法;在误检率方面,区域卷积神经网络检测明显小于HOG+SVM算法;在检测时间方面,同样的一张图像,区域卷积神经网络检测速度比HOG+SVM算法提升近800倍。试验结果表明:利用区域卷积神经网络方法进行大范围车辆检测,在精度和速度方面都有显着提升。(本文来源于《公路交通科技》期刊2018年03期）
连少远[10]（2017）在《交通图像中车辆感兴趣区域检测提取算法的研究与实现》一文中研究指出随着机动车数目的急速增长,我国出现一系列严重的安全与交通问题。与此同时,视频图像文件呈爆炸式增长,为公安的监控、刑侦以及案件的侦破带来了很大的困扰。尤其随着车辆的增多,涉车案件也越来越多。车辆及其个性特征(感兴趣区域)检测识别越来越受到人们的关注,但是目前相关检测识别系统的处理性能和准确率都有待提高,所以提出一种高效准确的车辆检测算法意义重大。本文对基于卷积神经网络的车辆目标检测方法及其感兴趣区域(ROI)的提取算法进行了研究,包括准确率和处理性能两方面,主要的研究内容如下:(1)借助某市公安局的交通卡口高清车辆库,整理并标注车辆训练数据集,建立了车辆及其ROI图像数据集,其中包含了4类整车轿车、面包车、客车、货车和4类部件(感兴趣区域)挡风玻璃、遮阳板、车牌、年检标共8类样本作为训练和测试样本,用于验证算法的有效性。(2)提出了一种基于改进的卷积神经网络的车辆及其ROI的粗粒度检测方法,该网络结构使用了ELU激活函数并可实现图像的多尺度的训练,能够对测试数据集的8类数据快速检测并识别其所属类别。与近几年提出来的目标检测方法做对比,结果表明无论在处理速度和准确度上都有了明显提高,在迭代20000次的情况下平均准确率为91.2%。(3)利用CUDA并行架构和单机多GPU卡的优势,进一步提高了车辆及ROI检测算法的检测速度,同样的交通数据获得了近4倍的加速效果,加快了目标检索的效率。本文以国家自然科学基金“面向异构平台的交通图像车型检索并行计算模式研究”和河北省科学院应用数学所国际合作专项“基于深度学习的车辆图像并行分布式检索系统”为依托,对交通图像中车辆目标及其ROI检测进行研究,使用卷积神经网络算法实现了研究目标的单机多GPU的并行检测,提高了准确率及处理性能。通过这些研究,为快速挖掘嫌疑车辆,服务警务实战,提高社会公共安全服务水平等提供技术支撑。(本文来源于《石家庄铁道大学》期刊2017-06-01）
车辆检测区域论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为解决多种天气与多种场景下主干道路行驶车辆检测存在的实时性、泛化能力差、漏检、定位不准确等问题,研究了基于TensorFlow深度学习框架的区域卷积神经网络(Faster R-CNN)算法,通过引入VGG16神经网络模型,优化ROI Pooling Layer,并采用联合训练方法,得到改进的算法模型。采用UA_CAR数据集进行模型训练,实现行驶中的车辆检测,测试结果与优化前Faster R-CNN比较,MAP提高了7.3个百分点,准确率提高了7.4个百分点,检测用时0.085 s,提高了对多种环境与场景的适应性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
车辆检测区域论文参考文献
[1].巴家伟.柴油货车加装污染控制装置补贴受理将于12月15日结束[N].大连日报.2019
[2].曹长玉,郑佳春,黄一琦.基于区域卷积网络的行驶车辆检测算法[J].集美大学学报(自然科学版).2019
[3].利齐律,程良伦,黄国恒.基于显着性区域检测的抗干扰车辆颜色识别[J].工业控制计算机.2019
[4].贾瑞.基于RCNN的车辆区域检测研究[J].数字技术与应用.2019
[5].高鑫,李慧,张义,闫梦龙,张宗朔.基于可变形卷积神经网络的遥感影像密集区域车辆检测方法[J].电子与信息学报.2018
[6].高军山,陈杭,林慧平,殷君君,杨健.高分辨力极化SAR图像城市区域车辆目标检测[J].太赫兹科学与电子信息学报.2018
[7].张鹤鹤.区域卷积神经网络在车辆检测中的应用研究[D].西安理工大学.2018
[8].孙晓琳.二值样本与自适应感兴趣区域夜间车辆检测[D].山东大学.2018
[9].王雪,隋立春,李顶萌,李丽.区域卷积神经网络用于遥感影像车辆检测[J].公路交通科技.2018
[10].连少远.交通图像中车辆感兴趣区域检测提取算法的研究与实现[D].石家庄铁道大学.2017