從交通場景下的圖像或視頻中自動檢測出各種目標(biāo)（如車輛和行人等）是許多智能交通系統(tǒng)必不可少的前提。根據(jù)車輛和行人等的運動規(guī)律給出合理的交通管控方案可以減少諸如道路擁堵、交通事故等事件的發(fā)生,保護(hù)人們的生命財產(chǎn)。隨著計算機技術(shù)的飛速發(fā)展與計算機視覺理論的廣泛應(yīng)用,利用機器學(xué)習(xí)和深度學(xué)習(xí)的方法對不同場景下的目標(biāo)進(jìn)行分類、定位或?qū)崟r跟蹤成為了近年來的研究熱點,對目標(biāo)進(jìn)行實時檢測在無人駕駛、智能視頻監(jiān)控、工業(yè)檢測以及軍事目標(biāo)檢測等方面具有重要的應(yīng)用價值。雖然深度學(xué)習(xí)為目標(biāo)檢測領(lǐng)域帶來了革命性的進(jìn)步,但是目前已存在的基于深度學(xué)習(xí)的算法仍然存在很多不足,例如算法運算復(fù)雜度較高,難以實時應(yīng)用,或者對于小目標(biāo)的檢測效果較差等等,即這些方法難以實現(xiàn)檢測精度與速度之間的權(quán)衡。為了解決這些問題,本文采用特征金字塔的思想,利用從多層特征圖中提取的信息來檢測各種對象,能有效降低漏檢以及誤檢的發(fā)生。具體來說,本文的研究內(nèi)容主要包括以下幾點:首先,針對目前交通場景數(shù)據(jù)集不足的問題,本文利用交通監(jiān)控視頻構(gòu)建了一個城市交通數(shù)據(jù)集,劃分了訓(xùn)練集和測試集,并利用標(biāo)注工具BBox-Label-Tool對數(shù)據(jù)集中的圖片進(jìn)行分類和... 

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 引言
    1.1 研究背景與意義
    1.2 研究現(xiàn)狀與分析
        1.2.1 傳統(tǒng)目標(biāo)檢測方法
        1.2.2 基于深度學(xué)習(xí)的目標(biāo)檢測方法
    1.3 論文研究內(nèi)容
    1.4 論文組織結(jié)構(gòu)
第2章 深度學(xué)習(xí)關(guān)鍵技術(shù)
    2.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.1.1 卷積層
        2.1.2 下采樣層
        2.1.3 上采樣層
        2.1.4 全連接層
    2.2 經(jīng)典深度學(xué)習(xí)框架
        2.2.1 TensorFlow深度學(xué)習(xí)框架
        2.2.2 Caffe深度學(xué)習(xí)框架
    2.3 模型的訓(xùn)練
        2.3.1 數(shù)據(jù)預(yù)處理
        2.3.2 數(shù)據(jù)增強
        2.3.3 模型微調(diào)過程
        2.3.4 模型訓(xùn)練過程
    2.4 本章小結(jié)
第3章 基于CNN的多支路交通場景目標(biāo)檢測算法
    3.1 相關(guān)工作
    3.2 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計
        3.2.1 多特征圖預(yù)測
        3.2.2 邊界框預(yù)測和類別預(yù)測
    3.3 網(wǎng)絡(luò)訓(xùn)練過程
    3.4 實驗及結(jié)果分析
        3.4.1 交通場景數(shù)據(jù)集
        3.4.2 實驗對比
    3.5 本章小結(jié)
第4章 基于多特征圖融合的交通場景目標(biāo)檢測算法
    4.1 引言
    4.2 相關(guān)工作
    4.3 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計
        4.3.1 網(wǎng)絡(luò)結(jié)構(gòu)介紹
        4.3.2 融合模塊
        4.3.3 訓(xùn)練方法
    4.4 實驗及結(jié)果分析
        4.4.1 數(shù)據(jù)集
        4.4.2 評價指標(biāo)
        4.4.3 檢測結(jié)果與分析
    4.5 本章小結(jié)
第5章 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 未來工作展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間從事的科研工作及取得的成果


【參考文獻(xiàn)】：
期刊論文
[1]基于Adaboost算法的日間前方車輛檢測[J]. 金立生,王巖,劉景華,王亞麗,鄭義.  吉林大學(xué)學(xué)報(工學(xué)版). 2014(06)
[2]基于HOG特征和SVM的前向車輛識別方法[J]. 李星,郭曉松,郭君斌.  計算機科學(xué). 2013(S2)
[3]深度學(xué)習(xí)研究綜述[J]. 孫志軍,薛磊,許陽明,王正.  計算機應(yīng)用研究. 2012(08)

碩士論文
[1]基于HOG特征的車輛檢測技術(shù)研究[D]. 馬蓓蓓.華南理工大學(xué) 2015



本文編號：3660377