交通場景的目標檢測在智能交通、輔助駕駛、自動駕駛等領(lǐng)域有著非常廣泛的應(yīng)用。其中,在輔助駕駛和自動駕駛的領(lǐng)域,對目標檢測模型的精度以及實時性都有著相當高的要求。另外,不同于智能交通場景中的位置高、視野廣的攝像頭,輔助駕駛和自動駕駛所用的車載攝像頭一般位置相對較低,視野相對較窄,因此拍攝到的畫面中會出現(xiàn)更多的部分被遮擋的目標,更難檢測。并且遠近尺度變化、不同的光照條件也給檢測系統(tǒng)的穩(wěn)定性帶來了挑戰(zhàn)。隨著深度學(xué)習(xí)硬件算力的逐年提高,模型的實時性的要求會越來越容易被滿足。只要能達到更高的目標檢測精度,更深的卷積神經(jīng)網(wǎng)絡(luò)模型就一定會逐漸被用于新型的智能駕駛汽車上。而對于智能交通這樣不那么依賴目標檢測實時性的場景,對模型檢測精度的提高就更為富有意義。本文使用了基于YOLOv3的全卷積神經(jīng)網(wǎng)絡(luò)模型,使用了多尺度融合特征在多個尺度的特征圖上進行了目標檢測。訓(xùn)練出的車輛、行人檢測模型在KITTI數(shù)據(jù)集上取得了較高的檢測精度并具有相當不錯的實時性。另外,針對數(shù)據(jù)集中的樣本不平衡問題,本文提出了類從屬的k-means聚類算法。算法在聚類生成先驗候選框時,利用邊界框?qū)挾取⒏叨群皖悇e三個維度的信息,消除了樣本不... 

【文章來源】：重慶郵電大學(xué)重慶市

【文章頁數(shù)】：84 頁

【學(xué)位級別】：碩士

【部分圖文】：

GoogleWaymoOne自動駕駛叫車服務(wù)

內(nèi)外研究現(xiàn)狀統(tǒng)的目標檢測算法一般需要先使用滑動窗口的方法（如 selective search[9ness[10]）進行候選框的篩選，再使用特征提取模型提取出預(yù)先設(shè)計好的特SIFT[11]、HOG[12]），最后再將提取到的特征放進分類器進行分類。這樣的多缺陷，首先多級串聯(lián)的傳統(tǒng)方法的精度受到區(qū)域建議方法、特征提取類模型各自精度的制約。舉個例子，如果使用的區(qū)域建議方法不夠好，一步，就會漏檢測或者給出不準確的區(qū)域候選框，那么無論特征提取模模型有多好，都無法取得較好的結(jié)果。對于這樣的方法，其最終結(jié)果往一環(huán)決定，而且每個環(huán)節(jié)之間相互影響，有時候三個精度較高的方法組最后的結(jié)果卻不如預(yù)期。并且特征提取模型提取的特征都是預(yù)先設(shè)計好難以想到新的特征時，就會用多種特征進行組合，此時整個模型的計算倍的增加，而效果的提升往往微乎其微。

圖 1.3 感興趣區(qū)域池化層示例傳統(tǒng)的池化層根據(jù)預(yù)先設(shè)定的尺寸和步長，對尺寸各異的輸入進行池化，獲得尺寸各異的輸出。而感興趣區(qū)域池化層則是對尺寸各異的特征圖使用不同的參數(shù)，以獲得相同尺寸的輸出。如圖 1.3 所示，如果設(shè)定感興趣區(qū)域池化層的輸出尺寸為2 2，那么對一個尺寸為 4 4的輸入，感興趣區(qū)域池化層則會自動使用寬度、高度尺寸均為 2，橫向縱向步長均為 2 的參數(shù)，以獲得2 2的輸出。而對于一個尺寸為6 4的輸入，感興趣區(qū)域池化層則會采取寬度尺寸、橫向步長為 3，高度尺寸、縱向步長為 2 的參數(shù)，以保證輸出的尺寸為2 2。Fast RCNN 共享了大量的前向計算，但其區(qū)域候選框還是來自于選擇性搜索算法，網(wǎng)絡(luò)整體運行速度因此受到了限制，并且檢測精度也難以繼續(xù)提高。不同于仍舊采用選擇性搜索獲得區(qū)域候選框的 Fast RCNN，改進的 FasterRCNN模型使用了區(qū)域建議網(wǎng)絡(luò)(Region Proposal Network, RPN)進行了區(qū)域候選框


本文編號：3018437