隨著汽車(chē)的日益普及,城市道路中的機(jī)動(dòng)車(chē)數(shù)量日益增長(zhǎng),但隨之而來(lái)的大量交通事故卻威脅著人們的生命財(cái)產(chǎn)安全。智能交通系統(tǒng)是改善交通系統(tǒng)的重要手段,而目標(biāo)檢測(cè)技術(shù)是智能交通系統(tǒng)中的重要組成部分。目標(biāo)檢測(cè)技術(shù)分為基于圖像處理的方法和基于深度學(xué)習(xí)的方法。由于實(shí)際的交通環(huán)境復(fù)雜多變,傳統(tǒng)的圖像處理方法已經(jīng)無(wú)法滿(mǎn)足需求,而隨著深度學(xué)習(xí)的發(fā)展與計(jì)算機(jī)硬件設(shè)備性能的進(jìn)步,基于深度學(xué)習(xí)的方法已經(jīng)可以在某些場(chǎng)景中兼顧準(zhǔn)確率與實(shí)時(shí)性,實(shí)現(xiàn)實(shí)時(shí)準(zhǔn)確的目標(biāo)檢測(cè)。然而,基于深度學(xué)習(xí)的算法依然存在著不足,例如依賴(lài)大規(guī)模數(shù)據(jù)集、小目標(biāo)檢測(cè)效果差、某些模型復(fù)雜度高難以實(shí)時(shí)應(yīng)用等�；诖�,本文在總結(jié)前人深度學(xué)習(xí)及目標(biāo)檢測(cè)研究成果的基礎(chǔ)上,開(kāi)展了智能交通中的目標(biāo)檢測(cè)研究。在交通標(biāo)志檢測(cè)的問(wèn)題上,針對(duì)目前交通標(biāo)志識(shí)別準(zhǔn)確度低,漏檢率高,難以兼顧準(zhǔn)確率與實(shí)時(shí)性的問(wèn)題,本文以實(shí)時(shí)性佳的SSD網(wǎng)絡(luò)為基礎(chǔ),提出基于多層特征融合的交通標(biāo)志檢測(cè)算法。本文首先對(duì)國(guó)際公認(rèn)的美國(guó)LISA交通標(biāo)志數(shù)據(jù)集和德國(guó)GTSDB數(shù)據(jù)集進(jìn)行統(tǒng)計(jì)分析,根據(jù)交通標(biāo)志牌的目標(biāo)尺寸特點(diǎn)改進(jìn)網(wǎng)絡(luò)中default box的參數(shù)設(shè)置,一定程度上解決default box不... 

【文章來(lái)源】：華南理工大學(xué)廣東省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：64 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

單層感知機(jī)圖2-1中輸入x分別乘各自的權(quán)重并將結(jié)果求和，隨后會(huì)通過(guò)一個(gè)激活函數(shù)評(píng)估，

圖 2-2 多層感知機(jī)網(wǎng)絡(luò)對(duì)應(yīng)的計(jì)算是如式(2-2)所示：(2) (1) (1) (1) (1)1 11 1 12 2 13 3 1(2) (1) (1) (1) (1)2 21 1 22 2 23 3 2(2) (1) (1) (1) (1)3 31 1 32 2 33 3 3(3) (2) (2) (2) (2) (2) (2) (2), 1 11 1 12 2 13 3 1( )( )( )( ) ( )W ba f W x W x W x ba f W x W x W x ba f W x W x W x bh x a f W a W a W a b 展到含有多個(gè)隱含層的深度神經(jīng)網(wǎng)絡(luò)。的深度學(xué)習(xí)模型有層疊自動(dòng)去噪編碼機(jī)[40]、深度置信網(wǎng)絡(luò)[41]經(jīng)網(wǎng)絡(luò)[42]等，其中，卷積神經(jīng)網(wǎng)絡(luò)適用于處理具有類(lèi)似網(wǎng)格結(jié)據(jù)和圖像數(shù)據(jù)，在很多應(yīng)用領(lǐng)域都有優(yōu)異的表現(xiàn)，尤其是計(jì)網(wǎng)絡(luò)基礎(chǔ)

神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) LeNet-5 并成功將其用于手寫(xiě)數(shù)字的識(shí)別問(wèn)題。LeNet-5 沿用了 LeNe隨機(jī)梯度下降的學(xué)習(xí)策略并加入了池化層對(duì)輸入特征進(jìn)行降維。LeNet-5 及其后基于提出的各種變體定義了后來(lái)的卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)，其網(wǎng)絡(luò)結(jié)構(gòu)中交替出現(xiàn)的卷層-池化層使得卷積神經(jīng)網(wǎng)絡(luò)具有平移不變性。LeNet-5 在手寫(xiě)數(shù)字識(shí)別中取得的成功得卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用備受關(guān)注。2003 年，微軟基于卷積神經(jīng)網(wǎng)絡(luò)開(kāi)發(fā)了光學(xué)字符識(shí)(OpticalCharacterRecognition,OCR)系統(tǒng)[47]，并將其加入 office2003。卷積神經(jīng)網(wǎng)絡(luò)也漸應(yīng)用到其他圖像識(shí)別領(lǐng)域，包括人臉識(shí)別[48]、手勢(shì)識(shí)別[49]等。卷積神經(jīng)網(wǎng)絡(luò)與其他種類(lèi)神經(jīng)網(wǎng)絡(luò)的區(qū)別在于，卷積神經(jīng)網(wǎng)絡(luò)由多個(gè)卷積層和池層疊加組合，用于對(duì)輸入數(shù)據(jù)的特征提取。在卷積神經(jīng)網(wǎng)絡(luò)的卷積運(yùn)算操作中，一個(gè)經(jīng)元與下一層的部分神經(jīng)元相連接，該過(guò)程為特征提取的過(guò)程；池化層緊接在卷積層后，起到降低特征維度以及適應(yīng)圖像平移和微小形變的作用。相對(duì)全連接層，卷積和化也起到了減少模型參數(shù)，簡(jiǎn)化模型復(fù)雜度的作用。結(jié)構(gòu)如圖 2-3 所示：

【參考文獻(xiàn)】：
期刊論文
[1]智能交通系統(tǒng)綜述[J]. 趙娜,袁家斌,徐晗.  計(jì)算機(jī)科學(xué). 2014(11)
[2]交通事故致因中的人為因素分析[J]. 孔令錚.  中國(guó)安全科學(xué)學(xué)報(bào). 2013(01)
[3]世界智能車(chē)輛研究概述[J]. 王榮本,李兵,施樹(shù)明,李斌.  公路交通科技. 2001(05)

博士論文
[1]車(chē)牌識(shí)別技術(shù)的研究和實(shí)現(xiàn)[D]. 黃山.四川大學(xué) 2005



本文編號(hào)：3466465