復(fù)雜交通環(huán)境下的車輛檢測算法研究
發(fā)布時(shí)間：2021-12-30 21:47
隨著人工智能技術(shù)的蓬勃發(fā)展,作為無人駕駛汽車“眼睛”的核心視覺感知模塊的性能也取得了飛速提升。在真實(shí)的復(fù)雜交通場景中,由于行駛車輛的視角多變性、相互遮擋和表觀形態(tài)的復(fù)雜性等因素使得車輛檢測成為計(jì)算機(jī)視覺領(lǐng)域最重要的的問題之一。當(dāng)前車輛檢測方法主要分為基于傳統(tǒng)機(jī)器學(xué)習(xí)和基于深度學(xué)習(xí)的方法。傳統(tǒng)機(jī)器學(xué)習(xí)方法包含特征提取和分類器決策兩大獨(dú)立部分,無法協(xié)同優(yōu)化兩者之間的信息,但是具有較好的可解釋性。深度學(xué)習(xí)方法利用卷積神經(jīng)網(wǎng)絡(luò)同時(shí)完成特征提取和分類決策,實(shí)現(xiàn)了面向應(yīng)用的端到端學(xué)習(xí)模式。雖然當(dāng)前車輛檢測算法的性能取得了長足的進(jìn)步,但是當(dāng)?shù)缆沸旭傑囕v處于頻繁出現(xiàn)相互遮擋和視角動態(tài)變化的復(fù)雜交通環(huán)境時(shí),車輛檢測性能會出現(xiàn)明顯下降。針對以上問題,本文從傳統(tǒng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方法兩個角度,分別研究基于混合差分特征的多視角車輛檢測方法、基于特征金字塔和單雙級深度融合網(wǎng)絡(luò)的車輛檢測方法,明顯提升了現(xiàn)有算法的性能。主要工作總結(jié)如下:（1）傳統(tǒng)的多視角車輛檢測器依賴于訓(xùn)練多個單視角目標(biāo)檢測器,提取車輛表觀特征的判別能力和檢測性能直接相關(guān)。針對該問題,本文提出了一種基于混合像素差分特征的多視角車輛檢測系統(tǒng),可以提...
【文章來源】：江蘇大學(xué)江蘇省
【文章頁數(shù)】：75 頁
【學(xué)位級別】：碩士
【部分圖文】：
自動駕駛汽車示例圖
復(fù)雜交通環(huán)境下的車輛檢測算法研究安、鄂爾多斯、赤峰、常熟成功舉辦了十屆，成為國內(nèi)創(chuàng)辦最早、時(shí)間最久、最權(quán)威的無人駕駛賽事，“中國智能車未來挑戰(zhàn)賽”極大推動了中國無人駕駛車輛研究進(jìn)展。賽事在嚴(yán)謹(jǐn)科學(xué)的測試評價(jià)體系下，在一定程度上也推動了我國無人駕駛車輛從簡單封閉道路走進(jìn)真實(shí)、復(fù)雜的道路交通環(huán)境過渡的進(jìn)程，使我國與美歐等國家間的差距縮小，并培養(yǎng)了一大批優(yōu)秀的科研人才。
(d)圖 1.3 復(fù)雜環(huán)境下車輛示例圖((a)陰影下的車輛; (b) 車輛的截?cái)? (c)不同氣候環(huán)境下的車輛；(d)車輛間遮擋)Fig.1.3 Example of vehicle in complex environment((a) Vehicle under the shadow; (b) Truncated vehicle; (c) Vehicles in different climates；(d)Blocking between vehicles)1.5 車輛檢測算法評價(jià)指標(biāo)車輛檢測算法的評價(jià)指標(biāo)有很多種，通常來說有一下幾種：準(zhǔn)確率（Accuracy），精確率（Precision），召回率（Recall），平均正確率（AP），meanAverage Precision（mAP）。交并比（IoU），非極大值抑制（NMS）。首先介紹幾個常見的模型評價(jià)術(shù)語，現(xiàn)在假設(shè)我們的分類目標(biāo)只有兩類，記為正例（postive）和負(fù)例（negtive）。由表中幾個術(shù)語如表 1 所示：(1) 準(zhǔn)確率（Accuracy）正確分類樣本數(shù)除以總的樣本數(shù)，即：準(zhǔn)確率 = 正確預(yù)測的正反例數(shù)/總數(shù)。
【參考文獻(xiàn)】：
期刊論文
[1]車牌識別與視頻監(jiān)控系統(tǒng)集成探討[J]. 郭春英. 中國交通信息化. 2014(01)
[2]地面無人駕駛技術(shù)現(xiàn)狀及應(yīng)用[J]. 戴斌,聶一鳴,孫振平,安向京. 汽車與安全. 2012(03)
[3]基于最小二乘法的橢圓擬合改進(jìn)算法[J]. 閆蓓,王斌,李媛. 北京航空航天大學(xué)學(xué)報(bào). 2008(03)
[4]CITAVT-IV——視覺導(dǎo)航的自主車[J]. 孫振平,安向京,賀漢根. 機(jī)器人. 2002(02)
[5]數(shù)據(jù)挖掘中決策樹算法的探討[J]. 唐華松,姚耀文. 計(jì)算機(jī)應(yīng)用研究. 2001(08)
[6]用于數(shù)據(jù)采掘的貝葉斯分類器研究[J]. 林士敏,田鳳占,陸玉昌. 計(jì)算機(jī)科學(xué). 2000(10)
碩士論文
[1]面向靜態(tài)圖片行人檢測的局部特征學(xué)習(xí)方法應(yīng)用研究[D]. 年雪潔.東南大學(xué) 2016
[2]基于邏輯回歸和高斯混合模型的設(shè)備故障診斷技術(shù)研究與應(yīng)用[D]. 鐘鑫.北京化工大學(xué) 2010
本文編號：3559018
【文章來源】：江蘇大學(xué)江蘇省
【文章頁數(shù)】：75 頁
【學(xué)位級別】：碩士
【部分圖文】：
自動駕駛汽車示例圖
復(fù)雜交通環(huán)境下的車輛檢測算法研究安、鄂爾多斯、赤峰、常熟成功舉辦了十屆，成為國內(nèi)創(chuàng)辦最早、時(shí)間最久、最權(quán)威的無人駕駛賽事，“中國智能車未來挑戰(zhàn)賽”極大推動了中國無人駕駛車輛研究進(jìn)展。賽事在嚴(yán)謹(jǐn)科學(xué)的測試評價(jià)體系下，在一定程度上也推動了我國無人駕駛車輛從簡單封閉道路走進(jìn)真實(shí)、復(fù)雜的道路交通環(huán)境過渡的進(jìn)程，使我國與美歐等國家間的差距縮小，并培養(yǎng)了一大批優(yōu)秀的科研人才。
(d)圖 1.3 復(fù)雜環(huán)境下車輛示例圖((a)陰影下的車輛; (b) 車輛的截?cái)? (c)不同氣候環(huán)境下的車輛；(d)車輛間遮擋)Fig.1.3 Example of vehicle in complex environment((a) Vehicle under the shadow; (b) Truncated vehicle; (c) Vehicles in different climates；(d)Blocking between vehicles)1.5 車輛檢測算法評價(jià)指標(biāo)車輛檢測算法的評價(jià)指標(biāo)有很多種，通常來說有一下幾種：準(zhǔn)確率（Accuracy），精確率（Precision），召回率（Recall），平均正確率（AP），meanAverage Precision（mAP）。交并比（IoU），非極大值抑制（NMS）。首先介紹幾個常見的模型評價(jià)術(shù)語，現(xiàn)在假設(shè)我們的分類目標(biāo)只有兩類，記為正例（postive）和負(fù)例（negtive）。由表中幾個術(shù)語如表 1 所示：(1) 準(zhǔn)確率（Accuracy）正確分類樣本數(shù)除以總的樣本數(shù)，即：準(zhǔn)確率 = 正確預(yù)測的正反例數(shù)/總數(shù)。
【參考文獻(xiàn)】：
期刊論文
[1]車牌識別與視頻監(jiān)控系統(tǒng)集成探討[J]. 郭春英. 中國交通信息化. 2014(01)
[2]地面無人駕駛技術(shù)現(xiàn)狀及應(yīng)用[J]. 戴斌,聶一鳴,孫振平,安向京. 汽車與安全. 2012(03)
[3]基于最小二乘法的橢圓擬合改進(jìn)算法[J]. 閆蓓,王斌,李媛. 北京航空航天大學(xué)學(xué)報(bào). 2008(03)
[4]CITAVT-IV——視覺導(dǎo)航的自主車[J]. 孫振平,安向京,賀漢根. 機(jī)器人. 2002(02)
[5]數(shù)據(jù)挖掘中決策樹算法的探討[J]. 唐華松,姚耀文. 計(jì)算機(jī)應(yīng)用研究. 2001(08)
[6]用于數(shù)據(jù)采掘的貝葉斯分類器研究[J]. 林士敏,田鳳占,陸玉昌. 計(jì)算機(jī)科學(xué). 2000(10)
碩士論文
[1]面向靜態(tài)圖片行人檢測的局部特征學(xué)習(xí)方法應(yīng)用研究[D]. 年雪潔.東南大學(xué) 2016
[2]基于邏輯回歸和高斯混合模型的設(shè)備故障診斷技術(shù)研究與應(yīng)用[D]. 鐘鑫.北京化工大學(xué) 2010
本文編號：3559018
本文鏈接：http://sikaile.net/kejilunwen/daoluqiaoliang/3559018.html
教材專著
