【摘要】：隨著我國(guó)城鎮(zhèn)化建設(shè)進(jìn)入到快速發(fā)展階段,城市資源浪費(fèi)一直是一個(gè)亟待解決的問(wèn)題。比如當(dāng)城市進(jìn)入到后半夜,街上的車(chē)流量變少甚至有的時(shí)間段根本沒(méi)有車(chē)輛,但路燈會(huì)一直工作,這會(huì)造成能源的巨大浪費(fèi)。通過(guò)車(chē)流量來(lái)進(jìn)行路燈亮度控制是一個(gè)可行的方法。同時(shí)我們可以充分利用街道攝像頭所獲取的視頻,通過(guò)視頻分析進(jìn)行車(chē)流量檢測(cè),這種方法不會(huì)增加額外的人力財(cái)力負(fù)擔(dān),很有現(xiàn)實(shí)意義。隨著深度學(xué)習(xí)研究工作取得了巨大進(jìn)展,使用卷積神經(jīng)網(wǎng)絡(luò)來(lái)處理圖像問(wèn)題已經(jīng)成為一大趨勢(shì)。本文詳細(xì)介紹了深度學(xué)習(xí)網(wǎng)絡(luò)在目標(biāo)檢測(cè)任務(wù)中的應(yīng)用,同時(shí)設(shè)計(jì)和優(yōu)化了可以用于夜間車(chē)輛檢測(cè)的方案。本文首先對(duì)傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)及卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行了介紹,同時(shí)對(duì)不同的目標(biāo)檢測(cè)網(wǎng)絡(luò)進(jìn)行了對(duì)比,并分析各自的優(yōu)缺點(diǎn)�？紤]到本文研究課題的需求,最終選擇了 R-FCN目標(biāo)檢測(cè)網(wǎng)絡(luò),該網(wǎng)絡(luò)引入了平移變化特性,非常適宜于目標(biāo)檢測(cè)任務(wù)。其次為了提高網(wǎng)絡(luò)檢測(cè)的速度和精度,我們將AssignParallel機(jī)制和Soft-NMS算法應(yīng)用到R-FCN網(wǎng)絡(luò)中。AssignParallel機(jī)制可以對(duì)R-FCN網(wǎng)絡(luò)的特征提取部分進(jìn)行壓縮。在保證精度的前提下,AssignParallel可以減少模型占有的物理內(nèi)存,提高網(wǎng)絡(luò)運(yùn)行速度。Soft-NMS算法可以解決目標(biāo)相互遮掩問(wèn)題,進(jìn)一步提高網(wǎng)絡(luò)的檢測(cè)精度。最后本文對(duì)R-FCN網(wǎng)絡(luò)和Faster RCNN網(wǎng)絡(luò)在夜間不同時(shí)間段的檢測(cè)效果進(jìn)行了實(shí)驗(yàn)對(duì)比,同時(shí)對(duì)R-FCN網(wǎng)絡(luò)和Faster-RCNN網(wǎng)絡(luò)進(jìn)行了壓縮實(shí)驗(yàn),并與原始網(wǎng)絡(luò)的精度進(jìn)行了對(duì)比,以此來(lái)驗(yàn)證AssignParallel機(jī)制的可行性。而且本文還對(duì)Soft-NMS算法采用不同的參數(shù)進(jìn)行了實(shí)驗(yàn)對(duì)比。相較于傳統(tǒng)的夜間車(chē)輛檢測(cè)算法,本文算法的檢測(cè)精度更高,所需要的物理資源更少,具有更好的實(shí)用性。
【學(xué)位授予單位】：杭州電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類(lèi)號(hào)】：TP391.41;TP183;U495
【圖文】：

：：：逡逑圖２．邋１邋ＢＰ神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)逡逑如圖２．１所示，通常一個(gè)Ｌ層的ＢＰ神經(jīng)網(wǎng)絡(luò)包含一個(gè)輸入層（第１層），逡逑一個(gè)輸出層（第Ｌ層）和若干個(gè)隱含層（第２至Ｌ－１層）。逡逑（１）單個(gè)神經(jīng)元數(shù)學(xué)模型逡逑假設(shè)對(duì)于第＿／個(gè)神經(jīng)元，接受上一層神經(jīng)元的輸出信號(hào)為Ｘ。各層神經(jīng)元的逡逑參數(shù)為％，表示上層的第／個(gè)神經(jīng)元對(duì)第此神經(jīng)元作用的加權(quán)值。單個(gè)神經(jīng)元的逡逑輸出公式為：逡逑ｏｕｔｊ邋＝邋Ｚｈ；．邋ｉｘｉ邋＋邋ｂ邐（２．１）逡逑其中，６為偏置值。逡逑７逡逑

．．．逡逑：：：逡逑圖２．邋１邋ＢＰ神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)逡逑如圖２．１所示，通常一個(gè)Ｌ層的ＢＰ神經(jīng)網(wǎng)絡(luò)包含一個(gè)輸入層（第１層），逡逑一個(gè)輸出層（第Ｌ層）和若干個(gè)隱含層（第２至Ｌ－１層）。逡逑（１）單個(gè)神經(jīng)元數(shù)學(xué)模型逡逑假設(shè)對(duì)于第＿／個(gè)神經(jīng)元，接受上一層神經(jīng)元的輸出信號(hào)為Ｘ。各層神經(jīng)元的逡逑參數(shù)為％，表示上層的第／個(gè)神經(jīng)元對(duì)第此神經(jīng)元作用的加權(quán)值。單個(gè)神經(jīng)元的逡逑輸出公式為：逡逑ｏｕｔｊ邋＝邋Ｚｈ；．邋ｉｘｉ邋＋邋ｂ邐（２．１）逡逑其中，６為偏置值。逡逑７逡逑

【參考文獻(xiàn)】

相關(guān)期刊論文 前4條

1 孫艷豐;楊新東;胡永利;王萍;;基于Softplus激活函數(shù)和改進(jìn)Fisher判別的ELM算法[J];北京工業(yè)大學(xué)學(xué)報(bào);2015年09期

2 吳成茂;;直方圖均衡化的數(shù)學(xué)模型研究[J];電子學(xué)報(bào);2013年03期

3 谷元保,付宇卓;一種基于灰度世界模型自動(dòng)白平衡方法[J];計(jì)算機(jī)仿真;2005年09期

4 鄭瑩,孫燮華;圖像邊緣檢測(cè)Laplace算子的改進(jìn)[J];沈陽(yáng)建筑大學(xué)學(xué)報(bào)(自然科學(xué)版);2005年03期

本文編號(hào)：2742000