【汽车目标检测算法研究的国内外文献综述2200字】

IV汽车目标检测算法研究的国内外文献综述1.1汽车目标检测概述汽车目标检测的目标是从图像或是视频中检测出汽车位置并框选出来。具体来说，就是通过大量训练，做到在检测到图像或视频中有汽车时，实时返回汽车的坐标。目前应用于汽车目标检测的深度学习算法大致分为两个方向，分别是基于候选窗口的双阶段目标检测算法和基于回归运算的单阶段目标检测算法。ADDINEN.CITE<EndNote><Cite><Author>吴帅</Author><Year>2018</Year><RecNum>27</RecNum><DisplayText><styleface="superscript">[3]</style></DisplayText><record><rec-number>27</rec-number><foreign-keys><keyapp="EN"db-id="5t9pfd9xkppsfyep0zsx9etkdzzrtvvx2vtt"timestamp="1621157029">27</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author><styleface="normal"font="default"charset="134"size="100%">吴帅</style></author><author><styleface="normal"font="default"charset="134"size="100%">徐勇</style></author><author><styleface="normal"font="default"charset="134"size="100%">赵东宁</style><styleface="normal"font="default"size="100%"></style></author></authors></contributors><titles><title><styleface="normal"font="default"charset="134"size="100%">基于深度卷积网络的目标检测综述</style></title><secondary-title><styleface="normal"font="default"charset="134"size="100%">模式识别与人工智能</style></secondary-title></titles><periodical><full-title>模式识别与人工智能</full-title></periodical><pages>335-346</pages><volume>31</volume><number>04</number><dates><year>2018</year></dates><urls></urls></record></Cite></EndNote>[3]两者最主要的区别是双阶段目标检测算法需要在图像上提取候选框，然后再通过卷积神经网络进行图像识别，而单阶段目标检测算法不需要产生候选框，而是直接将目标检测当作一个单一的回归任务。前者主要的典型算法有R-CNNADDINEN.CITE<EndNote><Cite><Author>Girshick</Author><Year>2013</Year><RecNum>23</RecNum><DisplayText><styleface="superscript">[4]</style></DisplayText><record><rec-number>23</rec-number><foreign-keys><keyapp="EN"db-id="5t9pfd9xkppsfyep0zsx9etkdzzrtvvx2vtt"timestamp="1621133911">23</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>Girshick,R.</author><author>Donahue,J.</author><author>Darrell,T.</author><author>Malik,J.%JIEEEComputerSociety</author></authors></contributors><titles><title>RichFeatureHierarchiesforAccurateObjectDetectionandSemanticSegmentation</title><secondary-title>IEEEComputerSociety</secondary-title></titles><periodical><full-title>IEEEComputerSociety</full-title></periodical><dates><year>2013</year></dates><urls></urls></record></Cite></EndNote>[4]、FasterR-CNNADDINEN.CITE<EndNote><Cite><Author>Ren</Author><Year>2017</Year><RecNum>24</RecNum><DisplayText><styleface="superscript">[5]</style></DisplayText><record><rec-number>24</rec-number><foreign-keys><keyapp="EN"db-id="5t9pfd9xkppsfyep0zsx9etkdzzrtvvx2vtt"timestamp="1621134296">24</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>Ren,S.</author><author>He,K.</author><author>Girshick,R.</author><author>Sun,J.%JIEEETransactionsonPatternAnalysis</author><author>MachineIntelligence</author></authors></contributors><titles><title>FasterR-CNN:TowardsReal-TimeObjectDetectionwithRegionProposalNetworks</title><secondary-title>IEEETransactionsonPatternAnalysis&MachineIntelligence</secondary-title></titles><periodical><full-title>IEEETransactionsonPatternAnalysis&MachineIntelligence</full-title></periodical><pages>1137-1149</pages><volume>39</volume><number>6</number><dates><year>2017</year></dates><urls></urls></record></Cite></EndNote>[5]算法等，这些方法都是使用区域推荐产生候选目标，随后使用卷积神经网络进行处理。由于需要产生候选框，此类方法在精度上有很大地提升，但是速度上却不太理想；后者主要的典型算法有YOLOADDINEN.CITE<EndNote><Cite><Author>Redmon</Author><Year>2016</Year><RecNum>25</RecNum><DisplayText><styleface="superscript">[6]</style></DisplayText><record><rec-number>25</rec-number><foreign-keys><keyapp="EN"db-id="5t9pfd9xkppsfyep0zsx9etkdzzrtvvx2vtt"timestamp="1621155725">25</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>Redmon,J.</author><author>Divvala,S.</author><author>Girshick,R.</author><author>Farhadi,A.%JIEEE</author></authors></contributors><titles><title>YouOnlyLookOnce:Unified,Real-TimeObjectDetection</title><secondary-title>IEEE</secondary-title></titles><periodical><full-title>IEEE</full-title></periodical><dates><year>2016</year></dates><urls></urls></record></Cite></EndNote>[6]系列、SSDADDINEN.CITE<EndNote><Cite><Author>Liu</Author><Year>2016</Year><RecNum>26</RecNum><DisplayText><styleface="superscript">[7]</style></DisplayText><record><rec-number>26</rec-number><foreign-keys><keyapp="EN"db-id="5t9pfd9xkppsfyep0zsx9etkdzzrtvvx2vtt"timestamp="1621155919">26</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>Liu,W.</author><author>Anguelov,D.</author><author>Erhan,D.</author><author>Szegedy,C.</author><author>Reed,S.</author><author>Fu,C.Y.</author><author>Berg,A.C.%JEuropeanConferenceonComputerVision</author></authors></contributors><titles><title>SSD:SingleShotMultiBoxDetector</title><secondary-title>EuropeanConferenceonComputerVision</secondary-title></titles><periodical><full-title>EuropeanConferenceonComputerVision</full-title></periodical><dates><year>2016</year></dates><urls></urls></record></Cite></EndNote>[7]算法等，这些算法不需要区域推荐直接对目标边框进行回归运算。单阶段检测算法具有很好的检测速度但是检测精度却不如双阶段算法。本论文选择了FasterR-CNN算法作为双阶段检测算法的代表，选择了YOLOV3算法作为单阶段检测算法的代表。1.2汽车目标检测关键任务、难点及技术指标汽车目标检测的关键任务便是快速准确的检测出图像中的车辆。但是受限于环境的变化、硬件设备的限制、现有算法的约束，对于小目标物体检测、实时性检测、目标重叠问题、物体部分遮挡问题，仍然有十分大的难度。本论文尝试通过优化特征提取网络、区域生成网络，特定环境下的参数调整来解决一部分上述问题。在介绍本论文技术指标之前，首先需要了解四个常见的评价术语:（1）Truepositives（TP），即正样本被正确分为正样本的数量。（2）Falsepositives（FP），即负样本被错误分为正样本的数量。（3）Falsenegatives（FN），即正样本被错误分为负样本的数量。（4）Truenegatives（TN），即负样本被正确分为负样本的数量。评估检测算法性能有三个常用标准：（1）准确率（Precision），即预测正确的部分占预测结果的比例，简称为。（2）召回率（recall），即预测正确的部分占被分为正样本的比例，Recall。而将召回率和准确率作为横、纵坐标，并选定一个固定的阈值，得到的二维曲线被称为P-R曲线。P-R曲线围起来的面积被称为平均精确度（AveragePrecision，AP）。将多个不同的对象求平均AP值被称为mAP（MeanAveragePrecision）。mAP值越高，检测效果越好。（3）每秒帧率（FramePerSecond，FPS），即每秒内可以处理图像帧数。同时，还有两个概念也经常出现在目标检测中：（1）交并比（IntersectionofUnion，IoU），即候选框与人工标注框之间的重合度，两个框可以看成两个像素的集合，它们的交并比等于两个框重合部分的面积除以它们合并起来的面积。（2）非极大值抑制（NonMaximumSuppression，NMS），即抑制不是极大值的元素，搜索局部的极大值。目标检测会从一张图片中找出很多个可能是物体的矩形框，然后为每个矩形框为做类别分类概率，通过特定算法找到最适合的框。如图2-1所示。图2-1NMS去冗余框1.3现有研究成果2012年深度学习逐渐兴起。学术界发现通过卷积神经网络对图像进行分类有较好的效果。于是在2014年，R.Girshick等人第一次将卷积神经网络应用于目标检测上并且获得了比只使用HOG特征更高的准确率。该网络称为RCNN。后续为了让RCNN效果更加好，R.Girshick等人在2015年通过改善特征提取网络，提出了FastRCNN。而ShaoqingRen等人在Fast-Rcnn的基础上提出一种采用新的区域生成网络的FasterRCNN。相比于上述算法耗时这类通病，JosephRedmon等人在2015年提出了YOLO模型，该模型具有运行速度快，泛化能力强等优点。但同时也产生了小物体不易检测、物体定位不准等问题。为了解决这类问题，研究人员对YOLO网络进行了不同改善，产生了YOLOv2，YOLOv3，SSD等网络。ADDINEN.CITE<EndNote><Cite><Author>Zou</Author><Year>2019</Year><RecNum>28</RecNum><DisplayText><styleface="superscript">[8]</style></DisplayText><record><rec-number>28</rec-number><foreign-keys><keyapp="EN"db-id="5t9pfd9xkppsfyep0zsx9etkdzzrtvvx2vtt"timestamp="1621176647">28</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>Zou,Z.</author><author>Shi,Z.</author><author>Guo,Y.</author><author>Ye,J.</author></authors></contributors><titles><title>ObjectDetectionin20Years:ASurvey</title></titles><dates><year>2019</year></dates><urls></urls></record></Cite></EndNote>[8]图2-2目标检测历史国内对汽车目标检测研究起步略晚，但也取得了不错的成绩。朱茂桃等人在2018年发表基于RCNN的车辆检测方法研究。主要为使用TensorFlow框架构建FasterRCNN算法,并在检测的准确率和速度上与RCNN,SPPnet,FastRCNN进行对比。ADDINEN.CITE<EndNote><Cite><Author>朱茂桃</Author><Year>2018</Year><RecNum>31</RecNum><DisplayText><styleface="superscript">[9]</style></DisplayText><record><rec-number>31</rec-number><foreign-keys><keyapp="EN"db-id="5t9pfd9xkppsfyep0zsx9etkdzzrtvvx2vtt"timestamp="1621259898">31</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author><styleface="normal"font="default"charset="134"size="100%">朱茂桃</style></author><author><styleface="normal"font="default"charset="134"size="100%">张鸿翔</style></author><author><styleface="normal"font="default"charset="134"size="100%">方瑞华</style></author></authors></contributors><auth-address><styleface="normal"font="default"charset="134"size="100%">江苏大学汽车与交通工程学院</style><styleface="normal"font="default"size="100%">;</style><styleface="normal"font="default"charset="134"size="100%">上海干巷车镜实业有限公司</style><styleface="normal"font="default"size="100%">;</style></auth-address><titles><title><styleface="normal"font="default"charset="134"size="100%">基于</style><styleface="normal"font="default"size="100%">RCNN</style><styleface="normal"font="default"charset="134"size="100%">的车辆检测方法研究</style></title><secondary-title><styleface="normal"font="default"charset="134"size="100%">机电工程</style></secondary-title></titles><periodical><full-title>机电工程</full-title></periodical><pages>880-885</pages><volume>35</volume><number>08</number><keywords><keyword>汽车工程</keyword><keyword>辅助驾驶</keyword><keyword>车辆检测</keyword><keyword>深度学习</keyword><keyword>区域提议网络</keyword><keyword>卷积神经网络</keyword></keywords><dates><year>2018</year></dates><isbn>1001-4551</isbn><call-num>33-1088/TH</call-num><urls></urls><remote-database-provider>Cnki</remote-database-provider></record></Cite></EndNote>[9]史凯静等人在2018年发表基于FasterRCNN的智能车道路前方车辆检测方法。将FasterRCNN模型与ZF、VGG_CNN_M_1024、VGG-16三种网络相结合,提出的改进算法提高了检测的准确性和鲁棒性。ADDINEN.CITE<EndNote><Cite><Author>史凯静</Author><Year>2018</Year><RecNum>32</RecNum><DisplayText><styleface="superscript">[10]</style></DisplayText><record><rec-number>32</rec-number><foreign-keys><keyapp="EN"db-id="5t9pfd9xkppsfyep0zsx9etkdzzrtvvx2vtt"timestamp="1621259997">32</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author><styleface="normal"font="default"charset="134"size="100%">史凯静</style></author><author><styleface="normal"font="default"charset="134"size="100%">鲍泓</style></author><author><styleface="normal"font="default"charset="134"size="100%">徐冰心</style></author><author><styleface="normal"font="default"charset="134"size="100%">潘卫国</style></author><author><styleface="normal"font="default"charset="134"size="100%">郑颖</style></author></authors></contributors><auth-address><styleface="normal"font="default"charset="134"size="100%">北京联合大学北京市信息服务工程重点实验室</style><styleface="normal"font="default"size="100%">;</style></auth-address><titles><title><styleface="normal"font="default"charset="134"size="100%">基于</style><styleface="normal"font="default"size="100%">FasterRCNN</style><styleface="normal"font="default"charset="134"size="100%">的智能车道路前方车辆检测方法</style><styleface="normal"font="default"size="100%"></style></title><secondary-title><styleface="normal"font="default"charset="134"size="100%">计算机工程</style></secondary-title></titles><periodical><full-title>计算机工程</full-title></periodical><pages>36-41</pages><volume>44</volume><number>07</number><keywords><keyword>智能车</keyword><keyword>前方车辆</keyword><keyword>深度卷积神经网络</keyword><keyword>训练模型</keyword><keyword>准确率</keyword></keywords><dates><year>2018</year></dates><isbn>1000-3428</isbn><call-num>31-1289/TP</call-num><urls></urls><remote-database-provider>Cnki</remote-database-provider></record></Cite></EndNote>[10]张富凯等人在2019年发表基于改进YOLOv3的快速车辆检测方法。在YOLOv3的基础上,将六个尺度的卷积特征图和残差网络提取出的特征进行融合,提出一种单阶段DF-YOLOv3算法。ADDINEN.CITE<EndNote><Cite><Author>张富凯</Author><Year>2019</Year><RecNum>33</RecNum><DisplayText><styleface="superscript">[11]</style></DisplayText><record><rec-number>33</rec-number><foreign-keys><keyapp="EN"db-id="5t9pfd9xkppsfyep0zsx9etkdzzrtvvx2vtt"timestamp="1621260084">33</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author><styleface="normal"font="default"charset="134"size="100%">张富凯</style></author><author><styleface="normal"font="default"charset="134"size="100%">杨峰</style></author><author><styleface="normal"font="default"charset="134"size="100%">李策</style></author></authors></contributors><auth-address><styleface="normal"font="default"charset="134"size="100%">中国矿业大学</style><styleface="normal"font="default"size="100%">(</style><styleface="normal"font="default"charset="134"size="100%">北京</style><styleface="normal"font="default"size="100%">)</style><styleface="normal"font="default"charset="134"size="100%">机电与信息工程学院</style><styleface="normal"font="default"size="100%">;</style></auth-address><titles><title><styleface="normal"font="default"charset="134"size="100%">基于改进</style><styleface="normal"font="default"size="100%">YOLOv3</style><styleface="normal"font="default"charset="134"size="100%">的快速车辆检测方法</style></title><secondary-title><styleface="normal"font="default"charset="134"size="100%">计算机工程与应用</style></secondary-title></titles><periodical><full-title>计算机工程与应用</full-title></periodical><pages>12-20</pages><volume>55</volume><number>02</number><keywords><keyword>车辆检测</keyword><keyword>特征融合</keyword><keyword>卷积神经网络</keyword><keyword>实时检测</keyword><keyword>YOLOv3</keyword></keywords><dates><year>2019</year></dates><isbn>1002-8331</isbn><urls></urls><remote-database-provider>Cnki</remote-database-provider></record></Cite></EndNote>[11]郑冬等人在2019年发表基于轻量化SSD的车辆及行人检测网络。首先使用MobilNetv2代替VGG进行特征提取,再使用SSDLite代替SSD。提出了基于轻量化SSD的LVP-DN模型,实现了模型的轻量化。ADDINEN.CITEADDINEN.CITE.DATA[12]参考文献ADDINEN.REFLIST[1] [1]陈志炳.2020年中国汽车保有量数据报告[EB/OL]./data/reports/specil/202118/36598.html,2021-1-18.[2] 金茂菁.我国智能交通系统技术发展现状及展望[J].交通信息与安全,2012,30（05）:1-5.[3] 吴帅,徐勇,赵东宁.基于深度卷积网络的目标检测综述[J].模式识别与人工智能,2018,31（04）:335-46.[4] GIRSHICKR,DONAHUEJ,DARRELLT,etal.RichFeatureHierarchiesforAccurateObjectDetectionandSemanticSegmentation[J].IEEEComputerSociety,2013.[5] RENS,HEK,GIRSHICKR,etal.FasterR-CNN:TowardsReal-TimeObjectDetectionwithRegionProposalNetworks[J].IEEETransact