隨著汽車保有量的不斷增長(zhǎng),交通擁堵日益成為一個(gè)亟待解決的問題,而交通流的實(shí)時(shí)檢測(cè)是解決交通擁堵問題的核心。通過分析現(xiàn)有交通流檢測(cè)方法的優(yōu)缺點(diǎn),考慮到無人機(jī)機(jī)動(dòng)性強(qiáng)、成本低、視域好的優(yōu)點(diǎn),提出采用無人機(jī)自主去實(shí)現(xiàn)道路交通流的檢測(cè)。然而現(xiàn)有無人機(jī)在GPS較弱環(huán)境中很難進(jìn)行自主飛行且不具備交通流檢測(cè)的功能,因此本文以道路交通流檢測(cè)為背景,在自動(dòng)駕駛軟件PX4的基礎(chǔ)上,對(duì)飛控平臺(tái)自主飛行的方法進(jìn)行研究,旨在實(shí)現(xiàn)無人機(jī)的自主飛行,為交通流檢測(cè)提供一種解決方案。論文的主要研究?jī)?nèi)容如下:（1）建立面向飛控平臺(tái)的實(shí)時(shí)道路目標(biāo)深度神經(jīng)網(wǎng)絡(luò)檢測(cè)模型。針對(duì)現(xiàn)有目標(biāo)檢測(cè)模型無法滿足道路目標(biāo)檢測(cè)準(zhǔn)確性和實(shí)時(shí)性的要求,為提高道路目標(biāo)檢測(cè)的準(zhǔn)確性和實(shí)時(shí)性,分析現(xiàn)有目標(biāo)檢測(cè)模型的優(yōu)缺點(diǎn),提出一種基于殘差塊和多尺度特征進(jìn)行特征提取、基于Logistic分類器進(jìn)行分類、采用Anchor進(jìn)行道路目標(biāo)邊界框預(yù)測(cè)、基于回歸思想進(jìn)行道路目標(biāo)分類和定位的實(shí)時(shí)道路目標(biāo)檢測(cè)模型,并通過實(shí)驗(yàn)對(duì)本模型的準(zhǔn)確性和實(shí)時(shí)性進(jìn)行測(cè)試。（2）建立面向飛控平臺(tái)的無監(jiān)督單目深度估計(jì)模型。受雙目深度估計(jì)原理的啟發(fā),提出重構(gòu)虛擬相機(jī)而實(shí)現(xiàn)單目深度估計(jì)的無監(jiān)... 

【文章來源】：西安科技大學(xué)陜西省

【文章頁(yè)數(shù)】：96 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

我國(guó)每年的汽車保有量目前對(duì)車流量實(shí)時(shí)檢測(cè)的方法可以分為四類，一類是基于人工統(tǒng)計(jì)的方法，該方式

西安科技大學(xué)碩士學(xué)位論文102.1.3確立面向飛控平臺(tái)的實(shí)時(shí)道路目標(biāo)檢測(cè)模型思路基于對(duì)現(xiàn)有兩種類型目標(biāo)檢測(cè)算法的分析，得知現(xiàn)有目標(biāo)檢測(cè)算法無法滿足道路目標(biāo)檢測(cè)準(zhǔn)確性和實(shí)時(shí)性的要求，從“不斷探索，不斷改善”思想出發(fā)，總結(jié)和分析現(xiàn)有目標(biāo)檢測(cè)算法的優(yōu)缺點(diǎn)，結(jié)合城市道路和無人機(jī)的實(shí)際情況，確立面向飛控平臺(tái)的實(shí)時(shí)道路目標(biāo)檢測(cè)模型思路，具體思路如圖2.1所示。圖2.1面向飛控平臺(tái)的實(shí)時(shí)道路目標(biāo)深度神經(jīng)網(wǎng)絡(luò)檢測(cè)模型構(gòu)建思路由圖2.1可知，面向飛控平臺(tái)的實(shí)時(shí)道路目標(biāo)深度神經(jīng)網(wǎng)絡(luò)檢測(cè)模型構(gòu)建思路大致過程為：首先對(duì)現(xiàn)有兩類目標(biāo)檢測(cè)算法進(jìn)行詳細(xì)分析，了解現(xiàn)有目標(biāo)檢測(cè)算法的基本流程和優(yōu)缺點(diǎn)，然后考慮本文目標(biāo)檢測(cè)算法應(yīng)用道路環(huán)境的復(fù)雜性和無人機(jī)所用微型計(jì)算機(jī)的實(shí)際情況，最后借鑒現(xiàn)有各種目標(biāo)檢測(cè)算法的優(yōu)點(diǎn)（基于回歸進(jìn)行目標(biāo)分類和定位的單步目標(biāo)檢測(cè)算法實(shí)時(shí)性好、FasterRCNN中通過Anchor進(jìn)行候選框選擇準(zhǔn)確度高、殘差塊進(jìn)行特征提取可以防止網(wǎng)絡(luò)過擬合、基于Logistic回歸進(jìn)行分類可以實(shí)現(xiàn)多標(biāo)簽分類、多尺度特征進(jìn)行目標(biāo)檢測(cè)可以實(shí)現(xiàn)對(duì)不同大小目標(biāo)的檢測(cè)），通過融合改進(jìn)的方式提出面向飛控平臺(tái)的實(shí)時(shí)道路目標(biāo)深度神經(jīng)網(wǎng)絡(luò)檢測(cè)模型。2.2建立面向飛控平臺(tái)的實(shí)時(shí)道路目標(biāo)深度神經(jīng)網(wǎng)絡(luò)檢測(cè)模型通過上一節(jié)的分析確定了構(gòu)建面向飛控平臺(tái)的實(shí)時(shí)道路目標(biāo)深度神經(jīng)檢測(cè)模型的思路，本節(jié)基于此思路建立面向飛控平臺(tái)的實(shí)時(shí)道路目標(biāo)深度神經(jīng)網(wǎng)絡(luò)檢測(cè)模型。為滿足道路目標(biāo)檢測(cè)的實(shí)時(shí)性，基于回歸進(jìn)行目標(biāo)分類和定位的單步目標(biāo)檢測(cè)思想建立實(shí)時(shí)

面向飛控平臺(tái)的實(shí)時(shí)道路目標(biāo)深度神經(jīng)網(wǎng)絡(luò)檢測(cè)模型13測(cè)�；貧w分類器采用的歸一化函數(shù)為Sigmold函數(shù)，其公式見公式（2.1），公式圖像如圖2.4所示，由圖像可知y0.5時(shí)，x0。回歸分類器的本質(zhì)就是通過歸一化處理從訓(xùn)練數(shù)據(jù)特征中學(xué)習(xí)出一個(gè)0/1模型，工作原理如下：1()1xfxe(2.1)圖2.4Sigmold函數(shù)假設(shè)經(jīng)過Sigmold函數(shù)處理的預(yù)測(cè)值為h(x)，見公式2.2：1()()1TTxhxgxe(2.2)式中x表示輸入的值，為求解的權(quán)值，h(x)為預(yù)測(cè)值。真實(shí)值y1或y0，因此對(duì)于輸入x分類結(jié)果為1或者0的概率為公式（2.3）所示：當(dāng)預(yù)測(cè)結(jié)果h(x)大于0.5時(shí)，預(yù)測(cè)結(jié)果就是1類，反之就是0類，基于此該分類器實(shí)現(xiàn)了多標(biāo)簽分類。(1|;)()(0|;)1()PyxhxPyxhx(2.3)為實(shí)現(xiàn)對(duì)模型了訓(xùn)練，采用最大似然估計(jì)的方法求解最優(yōu)的預(yù)測(cè)值，為此根據(jù)公式（2.3）構(gòu)建預(yù)測(cè)值的概率分布函數(shù)：1(|;)(())(1())yyPyxhxhx(2.4)假設(shè)有m個(gè)需要預(yù)測(cè)的的對(duì)象，真實(shí)觀測(cè)值為iy，預(yù)測(cè)值為h(x)，因此各個(gè)觀測(cè)值獨(dú)立，因此聯(lián)合分布函數(shù)可以表示為各個(gè)預(yù)測(cè)值之間的乘積L()：111()(|;)(())(1())iimmyyiiiiiiLPyxhxhx(2.5)為減少運(yùn)算量，通過對(duì)公式（2.5）等式兩邊同時(shí)取對(duì)數(shù)將乘法運(yùn)算變成假發(fā)運(yùn)算，

【參考文獻(xiàn)】：
期刊論文
[1]基于系統(tǒng)架構(gòu)的典型四旋翼無人機(jī)設(shè)計(jì)[J]. 武仲芝,王雷,馬建平,譚思玚,郭曼儀.  計(jì)算機(jī)科學(xué). 2019(S2)
[2]四旋翼無人機(jī)自主循跡系統(tǒng)設(shè)計(jì)[J]. 蔡鑫,沈捷,王莉,肖智中.  電光與控制. 2019(10)
[3]基于DenseNet的單目圖像深度估計(jì)[J]. 何通能,尤加庚,陳德富.  計(jì)算機(jī)測(cè)量與控制. 2019(02)
[4]目標(biāo)檢測(cè)算法研究綜述[J]. 方路平,何杭江,周國(guó)民.  計(jì)算機(jī)工程與應(yīng)用. 2018(13)
[5]基于機(jī)載視覺引導(dǎo)的無人機(jī)自主循跡研究[J]. 林勇,秦文靜,戚國(guó)慶.  電子設(shè)計(jì)工程. 2018(08)
[6]基于深度神經(jīng)網(wǎng)絡(luò)的低空弱小無人機(jī)目標(biāo)檢測(cè)研究[J]. 王靖宇,王霰禹,張科,蔡宜倫,劉越.  西北工業(yè)大學(xué)學(xué)報(bào). 2018(02)
[7]基于Spark的分布式車流量檢測(cè)方法設(shè)計(jì)與實(shí)現(xiàn)[J]. 張洪,趙平,伍玲,牛新征.  計(jì)算機(jī)測(cè)量與控制. 2018(02)
[8]基于MEMS/GPS的航向姿態(tài)測(cè)量系統(tǒng)設(shè)計(jì)[J]. 劉強(qiáng),王昌剛,劉玉寶,劉曉川.  傳感技術(shù)學(xué)報(bào). 2016(08)
[9]基于視覺的小型四旋翼無人機(jī)自主飛行控制[J]. 鮮斌,劉洋,張旭,曹美會(huì).  機(jī)械工程學(xué)報(bào). 2015(09)
[10]大城市交通擁堵的緩解策略[J]. 劉治彥.  城市問題. 2014(12)

博士論文
[1]基于手機(jī)信令的道路交通狀態(tài)識(shí)別及預(yù)測(cè)研究[D]. 詹益旺.華南理工大學(xué) 2017
[2]基于多傳感器融合的無人機(jī)自主避障研究[D]. 何守印.北京理工大學(xué) 2016
[3]多旋翼無人機(jī)的姿態(tài)與導(dǎo)航信息融合算法研究[D]. 張欣.中國(guó)科學(xué)院研究生院(長(zhǎng)春光學(xué)精密機(jī)械與物理研究所) 2015

碩士論文
[1]基于視覺的四旋翼無人機(jī)室內(nèi)自主導(dǎo)航系統(tǒng)的研究與實(shí)現(xiàn)[D]. 張鵬.電子科技大學(xué) 2019
[2]高精度GPS定位方法及其在無人機(jī)定位系統(tǒng)中應(yīng)用的研究[D]. 葛昌利.南京郵電大學(xué) 2018
[3]微慣性輔助的激光雷達(dá)室內(nèi)同步建圖與定位技術(shù)研究[D]. 楊景陽(yáng).南京航空航天大學(xué) 2014
[4]基于Radar-scanner/INS的微小型旋翼無人機(jī)室內(nèi)組合導(dǎo)航與控制的研究[D]. 孔天恒.浙江大學(xué) 2014



本文編號(hào)：3379703