基于卷积神经网络和RGB-D图像的车辆检测算法

针对利用彩色图像进行车辆检测时会受到路面阴影、车辆反光和光线不足等复杂情况影响的问题,提出一种基于卷积神经网络并融合彩色与深度图像的车辆检测算法。设计单通道RG-D融合网络和双通道RGB-D融合网络两种改进模型,分别用于提高检测速度和准确度。实验使用GTA(Grand Theft Auto)车辆数据集对该算法进行测试,并与基于RGB图像的其他流行算法进行对比和分析,结果表明:与基于彩色图像的Yolo v2算法相比,利用双通道RGB-D融合网络检测的准确率和召回率分别提升5.69%和6.31%,利用单通道RG-D融合网络对单一图像的最快检测速度达到24ms。实验证明,基于RGB-D图像的改进网络模型能够实现实时检测,并有效提高车辆检测精度。