基于RCNN的车辆检测方法研究

为了解决基于传统机器学习车辆检测算法实时性和泛化能力差的问题,对基于深度学习的车辆检测算法进行研究。分析了Faster R-CNN检测算法原理,使用Python编程语言基于深度学习框架Tensor Flow实现了Faster R-CNN算法;采集了4个季节不同天气情况下的12 000张路况图片数据,并对数据集进行了标注,采用3种不同方式对数据集进行了预处理;通过对照试验对Faster RCNN算法中的超参数进行了调优;使用控制变量法比较了RCNN、SPPnet、Fast R-CNN和Faster R-CNN 4种算法的检测准确率和检测速度,指出了4种算法的主要耗时步骤,验证了Faster R-CNN车辆检测算法的有效性。研究结果表明:基于Faster R-CNN的车辆检测算法达到每张69 ms的检测速度和91.3%的准确率,能够实现实时高精度的车辆检测。