目標(biāo)檢測是計算機視覺領(lǐng)域的重要研究課題之一,其核心任務(wù)是在靜態(tài)圖像或動態(tài)視頻中檢測出感興趣的目標(biāo)對象。在大數(shù)據(jù)、智能芯片、物聯(lián)網(wǎng)等技術(shù)的推動下,基于深度學(xué)習(xí)的目標(biāo)檢測模型逐漸取代傳統(tǒng)檢測模型,并被廣泛應(yīng)用于無人駕駛、視頻監(jiān)控等智能交通領(lǐng)域中。為了實時感知道路環(huán)境,及時反饋交通目標(biāo)信息,為下一步?jīng)Q策提供參考依據(jù),系統(tǒng)需要速度快且精度高的檢測模型以完成分類和定位任務(wù)。本文將從道路上采集的視頻流處理成圖像后,輸入到Faster R-CNN和YOLOv3兩個經(jīng)典模型中進行檢測,并對檢測精度和速度進行對比分析,最終選取性能更優(yōu)的YOLOv3作為智能交通領(lǐng)域的檢測算法,并在其基礎(chǔ)上展開相關(guān)研究工作。本文的主要成果如下:（1）根據(jù)本文構(gòu)建的交通目標(biāo)數(shù)據(jù)集特點,應(yīng)用改進距離度量方式的K-means聚類算法重新生成更符合本文樣本尺寸的Anchors（先驗框）,并將其分配給對應(yīng)尺度的預(yù)測層,為模型的邊框回歸提供更精準的位置信息。（2）結(jié)合YOLOv3與DenseNet模型的思想,提出基于深度特征融合的檢測模型（YOLOv3-Dense）,該模型通過改變YOLOv3前置基礎(chǔ)網(wǎng)絡(luò)Darknet-53中的部分殘... 

【文章來源】：蘭州大學(xué)甘肅省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：68 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－１四層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)承意圖??ｉｎｕｔｌａｅｒ、（ｈｉｅｎ?ｌａｅｒ．（ｏｕｔｕｔ??

蘭州大學(xué)碩士研究生學(xué)位論文?ＹＯＬ〇Ｖ３算法在智能交通領(lǐng)域的研究與應(yīng)用??＾?ｗＶＩ??ｗ２＞１?Ｚ１?）??＾ｗ２，２／＜ｖ＾??Ｗ１，３?＾?Ｚ２??圖２＿２單層神登網(wǎng)絡(luò)結(jié)構(gòu)示纛：圈??雖然以此建立起的輸入與輸出間的函數(shù)關(guān)系能夠滿足基本運算，但是由于單??層神經(jīng)網(wǎng)絡(luò)面臨的異或問題可能使模型的性能發(fā)生退化。科學(xué)家們又提出給模型??增加計算層的想法，因為兩層神經(jīng)網(wǎng)絡(luò)不僅能夠解決上述問題，而且具有更好的??非線性分類效果，但是復(fù)雜模型帶來的龐大計算量又成為一太挑戰(zhàn)。直到１９８６??年反向傳播算法（ＢＰ算法）的出現(xiàn)使此難題取得了實質(zhì)性突破，也困此引發(fā)了??業(yè)界對于多層神經(jīng)網(wǎng)絡(luò)研宄的熱潮。??隨著神經(jīng)網(wǎng)絡(luò)層數(shù)的加深，模型的參數(shù)量也在成倍增加，這意味著提取到的??特征更深入，函數(shù)的模擬能力更強。以圖像為例，假設(shè)第一層收集到的是目標(biāo)的??“邊緣”特征，第二層學(xué)習(xí)的就是由“邊緣”構(gòu)成的“形狀”特征，第三層則獲??取由“形狀”構(gòu)成的“圖案”特征，而最后一層就由“圖案”構(gòu)成完整“目標(biāo)”，??這種逐層特征學(xué)習(xí)的方式能提取目標(biāo)的抽象特征，從而獲得更好的分類效果。理??論上網(wǎng)絡(luò)越深，模型性能越好，但是由于深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)更復(fù)雜，參數(shù)更多，??也為訓(xùn)練和檢測過程增加了難度。??２〇〇６牟Ｈｉｎｔｏｎ在．．《Ｓｃｉｅｎｃｅ》中首次提出．深度信念網(wǎng)絡(luò)［４５］（Ｄｅｅｐ?Ｂｅｌｉｅｆ?Ｎｅｔｗｏｒｋ，??ＤＢＮ），它是一種既可以用于監(jiān)督學(xué)刃也可以用于非監(jiān)督學(xué)習(xí)的多層神經(jīng)網(wǎng)絡(luò)。??不同于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)架構(gòu)通過非監(jiān)督貪婪遂層方法獲得網(wǎng)絡(luò)權(quán)值，而且??模型的訓(xùn)練過程包含“預(yù)訓(xùn)練”（ｐｒｅ－ｔｒａｉｎｉｎｇ）和“微調(diào)”（ｆｉｎｅ－ｔｕｎ

蘭州大學(xué)碩士研究生學(xué)位論文?ＹＯＬ〇Ｖ３算法在智能交通領(lǐng)域的研究與應(yīng)用??反向？潰而實際上神經(jīng)網(wǎng)絡(luò)還包含反饋祌經(jīng)網(wǎng)絡(luò)，例如循環(huán)神經(jīng)網(wǎng)絡(luò)（Ｒｅｃｕｒｒｅｎｔ??Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ，?ＲＮＮ）?［４６］等；》該類網(wǎng)絡(luò)的內(nèi)部狀態(tài)可以描述動態(tài)時序行為，能??夠處理任意時序的輸入序列，因此在語音識別等領(lǐng)域具有廣泛應(yīng)甩。神經(jīng)網(wǎng)絡(luò)的??具體分類如圖２－３所示：???單層神經(jīng)網(wǎng)絡(luò)??Ｐｅｒｃｅｐｔｒｏｎ??前饋神經(jīng)網(wǎng)絡(luò)?兩層神經(jīng)網(wǎng)絡(luò)?￣？！??ＤＮＮ??人工神經(jīng)網(wǎng)絡(luò)?＿?｜多層神經(jīng)網(wǎng)絡(luò)｜?｜深度信念網(wǎng)絡(luò)??ＡＮＮ?＾?ＭＬＰ?＿?ＤＢＮ??神經(jīng)網(wǎng)絡(luò)?Ｉ?娜術(shù)工艦?｜卷積神經(jīng)網(wǎng)絡(luò)??Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ?＾?ＣＮＮ??生物神經(jīng)網(wǎng)絡(luò)??圖２－３神經(jīng)網(wǎng)絡(luò)類別示意圖??卷積神經(jīng)網(wǎng)絡(luò)是多層神經(jīng)網(wǎng)絡(luò)中常用于處理圖像的網(wǎng)絡(luò)結(jié)構(gòu)，相較于傳統(tǒng)的??圖像處理算法，它能夠避免人工參與預(yù)處理過程，而直接在原始圖像上進行操作。??卷積神經(jīng)網(wǎng)絡(luò)由輸入層、隱藏層和輸出層構(gòu)成，而隱藏屋一般由卷積層、池化層??和全連接層構(gòu)成，其中卷積層用于提取特征，池化層用于選擇特征，全連接層用??于組合特征。一幅圖像具有成千上萬個像素點，對應(yīng)在計算機中可以描述為一個??矩陣，卷積神經(jīng)網(wǎng)絡(luò)可以利用卷積核的參數(shù)共享特性以及層間連接的稀疏性來減??少網(wǎng)絡(luò)參數(shù)，從而實現(xiàn)對于像素的高效學(xué)習(xí)，因此其圖像表征能力十分強大６??從單層神經(jīng)網(wǎng)絡(luò)，到兩層神經(jīng)網(wǎng)絡(luò)，再到多層神經(jīng)網(wǎng)絡(luò)，伴隨著訓(xùn)練機制的??完善，硬件計算性能的提升以及激活函數(shù)調(diào)整等優(yōu)化策略的出現(xiàn)，神經(jīng)網(wǎng)絡(luò)歷經(jīng)??漫長的演變后，學(xué)習(xí)能力愈發(fā)強大，能夠解決的問題也愈發(fā)復(fù)雜，己然在人工智??能技術(shù)中

【參考文獻】：
期刊論文
[1]大數(shù)據(jù)時代新技術(shù)在智能交通中的應(yīng)用[J]. 趙新勇,李珊珊,夏曉敬.  交通運輸研究. 2017(05)
[2]動量梯度下降法訓(xùn)練BP網(wǎng)絡(luò)[J]. 李智,趙子先,鄭君.  內(nèi)蒙古科技與經(jīng)濟. 2006(12)



本文編號：3290909