隨著經(jīng)濟和科技的發(fā)展城市車輛數(shù)量不斷上漲,智能交通系統(tǒng)開始逐漸應用到人們的日常生活中�，F(xiàn)代化城市交通中,視頻監(jiān)控覆蓋了大部分的行車區(qū)域,基于計算機視覺深度學習的車輛檢測方法可廣泛應用于交通視頻圖像這一場景。但在現(xiàn)實場景的應用中現(xiàn)有的目標檢測方法的精準度仍然無法滿足實際的需求,因此如何實現(xiàn)復雜環(huán)境下精準的車輛檢測對智能交通有著重大的研究意義。本文對城市交通場景下的車輛檢測問題進行研究,提出了改進YOLOv3的交通車輛檢測方法,并在本文提出的數(shù)據(jù)增廣后的KITTI交通車輛數(shù)據(jù)集上進行訓練。本文在數(shù)據(jù)增廣方法的研究上,提出了將混合數(shù)據(jù)增廣和CutMix數(shù)據(jù)增廣用于目標檢測數(shù)據(jù)集的方法,并應用于車輛類別篩選后的KITTI車輛數(shù)據(jù)集。通過實驗得出結論CutMix數(shù)據(jù)增廣為KITTI數(shù)據(jù)集的最佳數(shù)據(jù)增廣方法,作為本文構建的訓練數(shù)據(jù)集。本文在目標檢測算法研究方面,對YOLOv3目標檢測模型進行了改進用于車輛檢測。改進分為兩點,首先,借鑒了可變形卷積網(wǎng)絡（Deformable Convolutional Networks,DCN）的思想,對YOLOv3原始的Darknet-53主干網(wǎng)絡結構進行優(yōu)化,在... 

【文章來源】：青島大學山東省

【文章頁數(shù)】：66 頁

【學位級別】：碩士

【部分圖文】：

卷積神經(jīng)網(wǎng)路的循環(huán)結構

青島大學碩士學位論文8圖2.2卷積運算過程根據(jù)卷積的運算規(guī)定，當輸入圖像大小為n×n，填充長度為p，卷積核大小為f，步長為s時，計算輸出特征圖大小的公式為：2-(1)而通常情況下，輸入圖像和卷積核都不是1維度的，當卷積核有多個維度時，每個維度的卷積核要與輸入特征圖的所有維度做卷積運算然后全部累加在一起，從而得到輸出特征圖的一個維度。卷積層相對與其他特征提取層的優(yōu)勢在于，輸出層所有維度的值都是通過一個卷積核來完成計算的，這是一種共享權值的思想，不管是在神經(jīng)網(wǎng)絡前向傳播還是訓練中的反向傳播優(yōu)化過程，都極大地減少了神經(jīng)網(wǎng)絡的計算量。在卷積神經(jīng)網(wǎng)絡訓練時，僅需要對卷積核內(nèi)的值進行更新就可以加強卷積層的特征表達能力。2.1.2池化層在卷積層之后，通常下一步操作通常是用一個池化層進行降采樣。在高維度的特征圖中，如果不進行池化層的計算直接將多次卷積后的特征圖輸入全連層進行分類操作，參數(shù)量是非常巨大的，而且還有很多無用的且沒有代表性的特征值沒有丟棄，使得神經(jīng)網(wǎng)絡表達能力差且運行緩慢。池化層的作用就是丟棄無用特征信息，通常使用的池化操作有兩種，最大池化層和平均池化層。經(jīng)過研究人員實驗證明最大池化的效果較平均池化要好，所以現(xiàn)在深度學習模型中多使用最大池化。如圖2.4所示，例如有一個4×4的特征圖，設置池化層超參數(shù)大小為2×2，池化步長為2，經(jīng)過計算就會得到右邊2×2的特征圖。outsize=(nf+2p)/s+1

青島大學碩士學位論文9圖2.4最大池化過程通過圖2.4的運算過程過程可以看出，特征圖縮小為原來的1/2，是一個降采樣的過程。根據(jù)科研人員的經(jīng)驗，可以總結出池化層具有以下意義：降低特征圖大小，提取有代表性的特征值，能從根本上減少參數(shù)的數(shù)量，防止過擬合。池化還能夠提供旋轉和平移的不變性，即使對一個池化區(qū)域做旋轉還是平移操作，最大池化或是平均池化的輸出結果都是不變的。2.1.3激活函數(shù)僅通過卷積層和池化層，神經(jīng)網(wǎng)絡的本質還是一個線性的模型，而深度學習模型解決的問題的通常是非線性問題，因此要在模型中引入激活函數(shù)，把卷積層池化層輸出的線性特通過激活函數(shù)映射出來，變成一個非線性的模型，增加模型的表達能力。經(jīng)典的激活函數(shù)sigmoid，如圖2.5所示，數(shù)學表達式為11(x)xeS+=，輸出范圍為(0,1)，將輸入的值進行0到1的映射，這個函數(shù)易于理解但反向傳播時求導的計算量較大，而且當輸出值過大或過小時，函數(shù)的導數(shù)接近于0，神經(jīng)網(wǎng)絡的參數(shù)幾乎不會更新，導致反向傳播時會出現(xiàn)梯度消失[34]的情況。圖2.5sigmoid函數(shù)曲線

【參考文獻】：
期刊論文
[1]基于YOLO＿v2模型的車輛實時檢測[J]. 黎洲,黃妙華.  中國機械工程. 2018(15)
[2]卷積神經(jīng)網(wǎng)絡研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機學報. 2017(06)
[3]基于YOLO算法的車輛實時檢測[J]. 王宇寧,龐智恒,袁德明.  武漢理工大學學報. 2016(10)
[4]智能交通系統(tǒng)綜述[J]. 趙娜,袁家斌,徐晗.  計算機科學. 2014(11)
[5]車輛檢測傳感器綜述[J]. 彭春華,劉建業(yè),劉岳峰,晏磊,鄭江華.  傳感器與微系統(tǒng). 2007(06)



本文編號：3029065