基于深度学习的监控视频中的车辆检测算法研究与实现开题报告

全文总字数：5957字

1. 研究目的与意义（文献综述）

1.1 研究目的及意义

随着社会和科技的不断发展，城市交通已经成为越来越多的人生活中重要的一部分，全国的机动车的数量也逐年增长，截至2019年6月，全国机动车保有量已经达3.4亿，其中汽车2.5亿辆，机动车驾驶人4.2亿人，其中汽车驾驶人3.8亿人。这些数字激增的背后，是交通安全、交通拥堵和交通污染等现阶段尖锐的交通难题，并且这些问题已经逐渐成为了人们关注的焦点。以往对车辆的检测和监控仅仅是采集车流量或是车牌信息，这已经难以满足现代交通的需求，只有快速而且精确地对交通道路中车辆的位置和属性进行检测，才能对潜在的交通事故做出及时的响应，在保护驾驶员的同时维护道路交通安全，对交通实行有效的监管，维持社会的稳定。

在面临这些难题下的信息时代，智能交通系统应运而生，成为解决它们的一大助力。而车辆检测技术，则是广泛应用于智能交通系统中各种场景的重要一环，而且对于无人驾驶系统也有着重大的意义。车辆检测的目的是确定图像或视频中是否有给定类别的车辆，车辆识别则是为了对检测到的车辆进行属性分类。车辆检测以及识别的意义在于对于实时交通路况信息的有效监管，预测可能存在的交通隐患以及让驾驶员对当时的路况有着全面的了解，从而规避交通风险。

2. 研究的基本内容与方案

学习和研究数字图像处理、深度学习、车辆检测的原理和方法。重点研究基于深度学习的监控视频中车辆检测算法，在visual studio 2010或matlab或python环境下实现，并对结果进行比较分析。

faster r-cnn是一种著名的两级检测识别网络，通过一个高效准确的区域提取网络来生成候选区域选框，再和fast r-cnn结合进行分类和选框回归，它将基于卷积神经网络的区域建议算法与先进的检测框架相结合，充分的利用了卷积神经网络提取图像，提升了目标检测的速度和精度，进一步提升了其效率。

yolo（you only look once）算法则是将目标检测系统直接设计成一个把图像类别和位置选框融合成一个回归问题，是一种单级检测网络。yolo社区了区域提取网络，从而获得了更快的检测速度，使得基于卷积神经网络的目标检测具备了实时检测的能力。

3. 研究计划与安排

第1－3周：搜集资料，撰写开题报告；

第4－5周：论文开题，硬软件总体设计；

第6－12周：详细设计、编程实现、实验及分析，撰写论文初稿；

4. 参考文献（12篇以上）

[1] 徐子豪，黄伟泉，王戢.基于深度学习的监控视频中多类别车辆检测[j].计算机应用，2019，39（3）：700-705.

[2]lecun y,bengio y,hintong.deep learning[j].nature,2015,521(7553):436-444.

[3]苏贵民.基于交通视频和深度学习的车辆检测和跟踪[j].交通与港航，2018，（4）：72-78