在無(wú)人駕駛系統(tǒng)中,通常使用計(jì)算機(jī)視覺(jué)來(lái)完成道路的檢測(cè)和道路上目標(biāo)的檢測(cè)。道路的檢測(cè)包含對(duì)車道線的檢測(cè)、可行駛區(qū)域的檢測(cè);道路上路標(biāo)的檢測(cè)包含對(duì)其他車輛的檢測(cè),行人檢測(cè),交通標(biāo)志和信號(hào)的檢測(cè)等所有交通參與者的檢測(cè)和分類。同時(shí),對(duì)檢測(cè)到目標(biāo)進(jìn)行測(cè)距。然而,在井下的采礦運(yùn)輸過(guò)程中也同樣需要對(duì)前方軌道和軌道上目標(biāo)的檢測(cè),才能實(shí)現(xiàn)井下無(wú)人駕駛系統(tǒng)。本文研究則是針對(duì)井下巷道旁行人進(jìn)行檢測(cè)及測(cè)距,主要內(nèi)容如下:（1）提出一種Dense-YOLO的井下巷道行人檢測(cè)算法。首先,運(yùn)用k-means聚類策略計(jì)算出錨點(diǎn)框的尺寸。其次,為了更好地利用上一層或者前幾層特征,提出利用密集連接塊提取網(wǎng)絡(luò)特征,復(fù)用“集體知識(shí)”強(qiáng)化特征學(xué)習(xí)傳播。然后,運(yùn)用非極大值抑制算法對(duì)于檢測(cè)過(guò)程中同一目標(biāo)的位置上產(chǎn)生的多個(gè)候選框進(jìn)行篩選,選取出得分最高的候選框最后。最后,在井下采集的數(shù)據(jù)上進(jìn)行網(wǎng)絡(luò)模型訓(xùn)練、驗(yàn)證及測(cè)試實(shí)驗(yàn)。在測(cè)試過(guò)程中發(fā)現(xiàn)對(duì)于圖像中遠(yuǎn)方尺寸較小的行人,無(wú)法做到精確檢測(cè),為此提出一種融合多層次特征圖的網(wǎng)絡(luò)結(jié)構(gòu),使其能夠應(yīng)用到淺層的特征圖,將深層與淺層特征相結(jié)合,對(duì)小目標(biāo)進(jìn)行精確定位。實(shí)驗(yàn)結(jié)果表明,所提算法網(wǎng)絡(luò)的檢測(cè)準(zhǔn)確... 

【文章來(lái)源】：合肥工業(yè)大學(xué)安徽省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：71 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖0.11數(shù)據(jù)集擴(kuò)增

合肥工業(yè)大學(xué)專業(yè)碩士研究生學(xué)位論文， 是一個(gè)類似于810 這樣的很小的正值，目的是為了避免遇到 z 有定義的問(wèn)題。u期神經(jīng)網(wǎng)絡(luò)中，輸出都是每一層對(duì)上一層輸入的線性變換，所以換、網(wǎng)絡(luò)復(fù)雜度多高，輸出都只是輸入的線性組合，最經(jīng)典的例知機(jī)，即便使用多個(gè)感知機(jī)進(jìn)行組合，組合輸出的結(jié)果仍然是輸無(wú)法做到非線性分類。由于這種線性模型的表達(dá)能力不夠，不能，所以引入激活函數(shù)來(lái)對(duì)網(wǎng)絡(luò)添加非線性元素。有兩種方式可以中的數(shù)據(jù)可被分類，第一種是添加激活函數(shù)去引入非線性函數(shù)；定的線性變換把當(dāng)前特征空間映射轉(zhuǎn)換到另外一個(gè)空間，以此來(lái)分類。的激活函數(shù)有 Sigmoid[47]、tanh[48]等，它們的函數(shù)圖像如圖 3.3 所示

擇過(guò)程中，使用各種濾波器對(duì)各層特征進(jìn)行提組成的特征圖層。起初的低層特征層中僅僅征顯示出模糊的輪廓特征，高層則是語(yǔ)義更加特征層信息共同完成目標(biāo)的檢測(cè)就是所謂的多的卷積神經(jīng)網(wǎng)絡(luò)特征成為主流，卷積神經(jīng)網(wǎng)即便如此，也仍需要進(jìn)一步提高圖像中各種度。以往多數(shù)的目標(biāo)檢測(cè)算法都是只采用頂征層中，但是，眾所周知，特征語(yǔ)義信息的分標(biāo)位置的細(xì)節(jié)信息都包含在較低層次的特征；第二，高層的語(yǔ)義信息對(duì)于特征的提取比有那么豐富和精準(zhǔn)。所以單純地運(yùn)用頂層特缺乏詳細(xì)計(jì)算的。

【參考文獻(xiàn)】：
期刊論文
[1]基于角點(diǎn)檢測(cè)的攝像機(jī)標(biāo)定算法及應(yīng)用[J]. 王曉輝,李星.  計(jì)算機(jī)與數(shù)字工程. 2019(02)
[2]基于雙目視覺(jué)的車輛檢測(cè)及測(cè)距[J]. 陳攀.  現(xiàn)代計(jì)算機(jī)(專業(yè)版). 2019(05)
[3]改進(jìn)的Faster RCNN煤礦井下行人檢測(cè)算法[J]. 李偉山,衛(wèi)晨,王琳.  計(jì)算機(jī)工程與應(yīng)用. 2019(04)
[4]基于顯著性檢測(cè)的雙目測(cè)距系統(tǒng)[J]. 安果維,王耀南,周顯恩,譚建豪.  智能系統(tǒng)學(xué)報(bào). 2018(06)
[5]結(jié)合金字塔池化模塊的YOLOv2的井下行人檢測(cè)[J]. 王琳,衛(wèi)晨,李偉山,張鈺良.  計(jì)算機(jī)工程與應(yīng)用. 2019(03)
[6]基于圖像處理的井下機(jī)車行人檢測(cè)技術(shù)[J]. 李曉明,郎文輝,馬忠磊,衛(wèi)星.  煤礦機(jī)械. 2017(04)
[7]基于雙目視覺(jué)的目標(biāo)測(cè)距[J]. 黃玉強(qiáng),葉磊.  汽車實(shí)用技術(shù). 2017(02)
[8]一種新的基于超聲波測(cè)距的汽車自動(dòng)報(bào)警剎車系統(tǒng)設(shè)計(jì)[J]. 胡清桂,李會(huì)景.  汽車工業(yè)研究. 2016(03)
[9]多環(huán)境下的實(shí)時(shí)前車檢測(cè)與車距測(cè)量[J]. 顧兆倫,邵雨辰,謝揚(yáng)振,錢沄濤.  信號(hào)處理. 2015(09)
[10]基于雙目立體視覺(jué)技術(shù)的橋梁裂縫測(cè)量系統(tǒng)[J]. 王琳,趙健康,夏軒,龍海輝.  計(jì)算機(jī)應(yīng)用. 2015(03)

碩士論文
[1]基于DCNN的井下行人檢測(cè)系統(tǒng)的研究與設(shè)計(jì)[D]. 鄭嘉祺.西安科技大學(xué) 2017
[2]基于圖像的井下人員檢測(cè)算法研究[D]. 呂建中.重慶大學(xué) 2015



本文編號(hào)：3464158