基于深度学习的交通场景中车型检测

很规整的一篇文章，语言比较好，很喜欢引言部分的叙述风格，特别有规划，层层深入。

题目：Vehicle type detection based on deep learning in traffic scene

摘要：目前，在交通场景中车型检测扮演着越来越重要的作用。深度学习方法已经广泛的应用在目标检测领域。应用Faster RCNN 框架，改进RPN网络，这是一种高效且有代表性的深度学习的卷积神经网络的目标分类算法。结合MIT和Caltech 车辆数据集，数据来自啊互联网包含不同车型的车辆图片，可以用来检测和识别在交通场景中三种普遍的车辆。实验结果展示了基于深度学习方法的车型检测方法的高效性和高准确率。

1.引言

近年来，随着交通车辆数目的增加，交通法规面临很大挑战。车型检测是智能交通系统非常重要的一部分。它的机能是检测车型并为道路监控和交通规划提供信息。车型检测，作为构成交通状况监控的关键技术，已经得到了国内外研究人员的广泛关注。目标检测是图像处理和计算机视觉的一个重要分支。它的研究方法主要分为基于背景模型和基于明显特征信息的模型，也就是在实际交通视频和图片中检测和分类车辆目标。主要难点在于含有车辆目标的图片或视频帧可能由于光照条件，视角和车辆内部和其他的一些改变（比如不同车辆的特征）而改变。由于视野的不同，国内外的学者在传统的机器学习领域做了很多尝试，但是结果并不令人满意。

传统方法实现目标识别主要分为3部分：首先，在给定图片中选定一些候选区域，然后提取这些区域的特征然后应用传统分类器分类。下面分别介绍这三个阶段。

区域选择是定位目标的位置。目标可能出现在图片的任何地方，目标尺寸可能任意大小，纵横比也是不确定的，因此第一种滑动窗口策略遍历整张图片时，你需要设置一个不同的范围，不同的纵横比。

对于特征提取来说，由于目标的形态多样性，灯光环境的多样性和背景的多样性，很难定义一个具有鲁棒性的特征。但是，特征提取又直接影响到了分类的准确性。

最终分类器一般使用SVM，Adaboost等等。

总的来说，传统目标检测的两个主要问题是：第一，基于窗口滑动的区域选择策略是不确定的，时间复杂度高，窗口存在冗余；第二，手工设定的特征不能很好的适应多样性的改变。目前，基于传统机器学习的目标检测方法已经进入瓶颈，期待更加科学的方法出现。

随着深度学习理论的进一步发展，基于目标检测和分类的机器学习方法进入了一个新的阶段。不像传统的特征提取算法依靠预先的知识，深度卷积神经网络对于几何的转变、形变和照明情况有一些不变的标准，并且有效的克服了车辆外观的变化，在适应训练数据建立特征描述方面具有很好的灵活性和概括性。对于目标检测来说，识别的准确率是一个指标，研究者根据这个指标来提升和改进网络。说起识别的准确率，我们提到平均预测量（mAP），它衡量了目标检测的检测准确率。简而言之，在多分类检测中，每个分类可以根据召回率和精确概率画出一条曲线，然后预测量就是这条曲线下面的区域，平均预测量就是预测量的多分类的平均值，在0-1范围内，该值越大越好。

后面几段介绍了多种目标检测的方法。

2.车型检测系统结构

2.1Faster RCNN 算法

介绍了Faster RCNN。

2.1.1区域建议网络

 

 

 

 

2.1.2区域建议网络损失函数

2.1.3区域建议网络和 Fast RCNN

3.实验

3.1数据集

 

3.2实验环境

Windows 7 64-bit ,MATLAB R2014b,NVIDA GeForce GTX 1080 Ti,11G内存，i5内核，3.30GHz主频，OpenCV3.0,CUDA8.0,caffe 框架。

3.3实验结果与分析

 

4.总结