本文正在参与 人工智能创作者扶持计划

源码链接:

车牌辨认:www.hedaoapp.com/goods/goods… 车辆辨认:www.hedaoapp.com/goods/goods…

大四是整个大学期间最忙碌的韶光,一边要忙着备考或实习为结业后面对的工作升学做准备,一边要为结业设计消耗大量精力。近几年各个校园要求的毕设项目越来越难,有不少课题是研究生级别难度的,对本科同学来说是充满应战。为帮助大家顺利经过和节省时间与精力投入到更重要的工作和考试中去,学长共享优质的选题经历和毕设项目与技能思路。

课题布景和含义

近年来，机动车持有量不断添加，随之而来的是交通违法行为的添加。其中，车辆压线行为是一种常见的违章行为，常形成违章变道、拥堵、交通事故等。传统图画处理压实线检测办法经过差分法检测车辆，选用色彩、形状等特征提取车道线，容易受外界环境影响，检测准确率不抱负。近年来，居民轿车保有量快速增长。截止 2019 年底，中国的轿车保有量到达 2.6 亿辆。轿车的大范围普及推动了工业前进、经济开展，但一起也带来 一系列交通问题与城市管理问题，包含拥堵、事故、污染等，这些都可能会激化城市对立、阻止城市开展。北京、上海等大型城市纷繁施行机动车摇号、限行等措施，可是我国的轿车工业正处于供给侧改革和转型晋级的重要阶段，在这种城市管理需求与产业开展需求的对立下，加强对交通路途的规范化管理势在必行。智能交通系(Intelligent Transport System ， ITS) 的出现可以有用的处理这些问题。ITS 将先进的物联网、大数据、云核算、人工智能、传感器、数据通信、电子控制、运筹学、自动控制技能等进行有用集成并运用于交通运输、服务控制、车辆行为规范，加强路途、车辆、交通参与者之间的联系，然后完结安全保障、改进环境、节约能源等方针。 完结技能思路

一、传统基于图画处理的运动方针检测算法

传统运动方针检测算法一般经过三种办法完结，第一种依赖于方针的浅层特征，比如色彩、形状等，这类办法受环境以及物体的方位影响较大，并且需求不断调整参数；第二种是经过图画间的差异进行检测，图画间的差异包含帧间的差异以及帧与布景模板的差异，因而，该种办法又可以分为帧间差分法与布景差分法，使用图画间的差异进行检测的抗干扰才能比使用方针的浅层特征，在图画处理范畴比较常用的还是第二类办法，也就是帧间差分法与布景差分法。第三类是经过光流来对运动方针进行检测，光流即空间运动物体在成像平面上像素运动的瞬时速度。 二、方针检测理论根底

1、深度学习根底

深度学习是机器学习的一个重要分支，它包含多种基本网络类型：深度置信网络、栈式自编码网络、卷积神经网络。随着近些年核算机硬件的快速开展，卷积神经网络取得了前所未有的开展。卷积神经网络是经过模仿生物神经网络树立，内部有大量的节点相互衔接，咱们称之为“神经元”，单个神经元结构见图：

池化

在卷积阶段，特征图的通道数通常会不断上升，这会导致特征图的参数量越来越大。因而，需求在卷积层之间添加池化层，一方面下降特征图的参数量，下降核算量；另一方面也添加卷积核的感受野，使模型更加关注大局特征，保存一些重要的特征信息，并且为网络供给必定的位移不变性和旋转不变性。

与卷积操作相似，池化操作也是选用一个指定大小的窗口在特征图上滑动，然后依据这个窗口的规矩获取数据，然后取得池化结果。

激活函数 卷积神经网络如果只要线性的卷积操作，则网络很难有很强的非线性分类才能，因而，需求参加非线性的映射的环节，添加网络的非线性分类才能，这个非线性环节又称为激活函数。常用的激活函数有： 、 、 等

型的激活函数模仿的是生物的神经元特性，当信号强度大于必定值时，神经元被激活，否则则不被激活。

为了补偿 函数在两头出现梯度消失的缺陷， 提出使用 函数来代替 函数， 的图画为图 b 。从图画中咱们可以看出， 在 (−∞0) ，梯度为 0 ，在 (0 + ∞) ，梯度为 1 ，很好的避免了 函数梯度消失的现象

全衔接 上文提到卷积核算可以提取数据的特征，其实不尽然，一般在卷积神将网络中都会在卷积层后参加池化层、激活函数层，一方面下降参数量，并且提高后续网络的非线性拟合才能，一方面也是使网络的整个卷积操作可以提取到满足数量的特征信息，因而，确切的来说，卷积层包含了卷积、池化、激活。全衔接层的运算依赖于矩阵乘法，以下面的式子为例：

式中，为输入，为输出，上述四个式子的元素都是代表矩阵。式子中表明了一个输入层，一个躲藏层，一个输出层，其网络结构参照图：

2、基于深度学习的方针检测算法

现在，在方针检测范畴，一般都需求完结两个使命： 1 、方针在哪里 2 、该方针是什么类别。主流的基于卷积神经网络的算法可分为两种：一类是以 Fast R-CNN 为典型代表，这类网络将这两个使命逐个进行，首要进行预选框构建与选取，然后进行方针的分类以及方位回归，核算量较大；别的一类以 YOLO 为典型代表，一步到位直接完结方针检测使命，直接猜测出物体的方位与类别，不用 进行猜测框的构建与选取。 YOLOv1 传统 CNN 都需求经过生成预选框、分类两个步骤，这种思维带来了检测速度的下降，而 YOLO 创新性的提出了选用回归的办法直接取得方位信息与分类信息，未使用预选框生成环节，极大下降了核算量，然后提高了网络的训练与检测速度，YOLOv1 区域区分： 30 个通道的数据对应每个包含了每个类别的概率、边框置信度、边框方位，详细构成如图所示： YOLOv2

YOLOv2 针对 YOLOv1 存在的一些问题做了改进，猜测更准、速度更快、类别更多。YOLOv2 相较于 YOLOv1 版别，改进了网络结构，提出了一种全新的网络结构，一起添加了预选框的设置。YOLOv2 提出的全新的网络结构称之为 DarkNet-19 。 DarkNet 包含 19 个卷积操作以及 5 个池化操作。

YOLOv3

YOLOv3 针对 YOLOv2 的一些问题，比如对小物体检测容易丢掉方针，吸收了一些现今比较好的检测思维，例如添加了残差模块，以及深层特征与浅层特 征的通道拼接，提出了一种新网络结构的 DarkNet，称之为 DarkNet-53 ，在确保检测速度的前提下，进一步提高了检测精度，尤其是针对小物体。YOLOv3 的网络结构图如图：

YOLOv3 在低、中、高三个维度上进行特征交融，然后别离进行卷积与回归，最后输出三个尺度的特征图。区分办法如图：

YOLOv4

YOLO v4 作为 YOLOv3 的晋级版别，是由俄罗斯的 Alexey 在 2020 年 4 月提出，中心结构与 YOLOv3 相似，经过新的算法思维对各个子结构进行了改进，并且交融多种网络设计思路，使 YOLO 系列方针检测算法的检测精度进一步提高，YOLOv4 网络结构图如图：

CBM 是 YOLOv4 网络结构的最小组件，由 Conv( 卷积层 ) 、 BN（批归一化）、 Mish 激活函数组成； CBL 由 Conv( 卷积层 ) 、 BN （批归一化）、 Leaky_relu 激活函数组成。 1 、 CSPDarknet53 将本来网络结构中首个卷积层中的激活函数由 Relu 改成了 Mish 。 Mish 激活函数相对于 Relu 激活函数更加平滑，大局没有一个不可导点，且在正区间与 Relu 函数相似，负区间依然存在梯度，只要在趋向于 −∞ 的时候存在梯度消失的情况，利于反向求导，得到更好的特征传递才能，然后有了更好的泛化才能，这也为未来激活函数的设计供给了方向。Relu 激活函数已经在上文给出，Mish 激活函数的表达式如式：

图画如图 所示 :

Mish 激活函数与 Relu 激活函数的差异在于其导数。 Relu 激活函数求导后如式所示：

2 、借鉴了 CSPnet 的网络结构，将卷积层与多个残差网络进行通道交融，可以看成是一个并联结构，扩大后如图：

3、对池化办法的改进。如图中部的 SPP 结构所示，相似于 Resnet 的短接结构，首要借鉴了 SPPNet 网络的结构，详细结构如图：

完结效果图样例

车辆压线检测实验：