發(fā)布時(shí)間：2023-10-06 14:53

　　隨著交通網(wǎng)對(duì)車輛的吞吐量日益增加,嚴(yán)峻的交通形式和頻發(fā)的道路車輛安全問題受到越來越多人的關(guān)注。因此,大力發(fā)展智能交通已經(jīng)迫在眉睫,發(fā)展智能交通至關(guān)重要的一步是在復(fù)雜道路場(chǎng)景中,對(duì)車輛進(jìn)行精準(zhǔn)快速自主識(shí)別和跟蹤,可以有效的解決車輛碰撞、交通事故鑒定和交通擁堵情況判定等實(shí)際問題。1)本文首先從研究國(guó)內(nèi)外經(jīng)典的車輛跟蹤算法入手,對(duì)車輛圖像的數(shù)據(jù)集進(jìn)行獲取和標(biāo)記,做好神經(jīng)網(wǎng)絡(luò)訓(xùn)練和驗(yàn)證的數(shù)據(jù)準(zhǔn)備工作,研究基于多特征子空間分布的深度模型和在線遷移學(xué)習(xí)的車輛識(shí)別算法,建立以多層受限玻爾茲曼機(jī)構(gòu)造底層,深度信念網(wǎng)路構(gòu)造上層結(jié)構(gòu)的深層模型,利用遷移學(xué)習(xí)對(duì)復(fù)雜道路場(chǎng)景下的車輛進(jìn)行識(shí)別。從識(shí)別精度和識(shí)別速度上分析該算法的優(yōu)缺點(diǎn),進(jìn)一步尋找更滿足復(fù)雜場(chǎng)景需求的車輛識(shí)別算法。2)以多特征子空間分布的深度遷移學(xué)習(xí)和YOLO神經(jīng)網(wǎng)絡(luò)作為基礎(chǔ)的研究模型,提出一種快速精準(zhǔn)的車輛識(shí)別算法(Fast and accurate vehicle recognition簡(jiǎn)稱:FAVR)作為本文研究模型。首先,通過輸入復(fù)雜環(huán)境下多種自采集車輛樣本和KITTI車輛數(shù)據(jù)集對(duì)模型進(jìn)行訓(xùn)練及參數(shù)優(yōu)化,對(duì)復(fù)雜場(chǎng)景中的車輛進(jìn)行識(shí)別。然后,結(jié)...

【文章頁數(shù)】：63 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 車輛跟蹤的發(fā)展及現(xiàn)狀
        1.2.2 深度學(xué)習(xí)算法在車輛識(shí)別中的最新發(fā)展
        1.2.3 深度學(xué)習(xí)算法在車輛跟蹤中的最新發(fā)展
        1.2.4 論文的研究?jī)?nèi)容及結(jié)構(gòu)安排
2 車輛圖像獲取與標(biāo)記
    2.1 車輛數(shù)據(jù)集的獲取
        2.1.1 自采集的車輛數(shù)據(jù)集
        2.1.2 KITTI車輛數(shù)據(jù)集
    2.2 車輛數(shù)據(jù)集的標(biāo)記
    2.3 車輛數(shù)據(jù)集的準(zhǔn)備
3 基于深度學(xué)習(xí)算法的車輛自動(dòng)識(shí)別
    3.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)原理
        3.1.1 卷積神經(jīng)網(wǎng)絡(luò)的卷積層
        3.1.2 卷積神經(jīng)網(wǎng)絡(luò)的池化層
        3.1.3 卷積神經(jīng)網(wǎng)絡(luò)的全連接層
        3.1.4 卷積神經(jīng)網(wǎng)絡(luò)的反向傳播算法
    3.2 問題陳述
    3.3 車輛識(shí)別CNN架構(gòu)
    3.4 基于多獨(dú)立子空間特征分布的深度模型構(gòu)建與特征提取
        3.4.1 深層網(wǎng)絡(luò)的底層設(shè)計(jì)和多個(gè)獨(dú)立子空間的提取
        3.4.2 深層特征提取
        3.4.3 基于稀疏約束的無監(jiān)督特征層次提取
    3.5 分類器遷移學(xué)習(xí)與自頂向下和自底向上框架相結(jié)合
        3.5.1 新場(chǎng)景中的樣本標(biāo)注方法
        3.5.2 基于自底向上的無監(jiān)督特征遷移學(xué)習(xí)
        3.5.3 基于自頂向下監(jiān)督的深度網(wǎng)絡(luò)訓(xùn)練
    3.6 訓(xùn)練環(huán)境
    3.7 實(shí)驗(yàn)
        3.7.1 實(shí)驗(yàn) 1
        3.7.2 實(shí)驗(yàn) 2
    3.8 實(shí)驗(yàn)分析
4 快速精準(zhǔn)的車輛跟蹤算法
    4.1 車輛識(shí)別算法
        4.1.1 YOLO
        4.1.2 快速車輛識(shí)別算法FAVR
    4.2 FAVR神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與優(yōu)化
    4.3 識(shí)別實(shí)驗(yàn)結(jié)果的定量評(píng)估
    4.4 車輛定位跟蹤算法
    4.5 跟蹤實(shí)驗(yàn)結(jié)果的定性評(píng)價(jià)
    4.6 結(jié)論
5 總結(jié)與展望
    5.1 研究工作總結(jié)
    5.2 未來工作展望
致謝
參考文獻(xiàn)
附錄



本文編號(hào)：3851917