隨著城市交通擁堵問(wèn)題的不斷加劇,針對(duì)道路車輛目標(biāo)檢測(cè)中傳統(tǒng)方法需隨場(chǎng)景變化提取不同特征,檢測(cè)率較低與魯棒性差的問(wèn)題,提出了一種基于Darknet框架的車輛多目標(biāo)檢測(cè)與識(shí)別方法。在YOLO v2算法基礎(chǔ)上,根據(jù)目標(biāo)路段場(chǎng)景與車流量的變化對(duì)YOLO-voc網(wǎng)絡(luò)模型進(jìn)行改進(jìn),基于ImageNet數(shù)據(jù)集和微調(diào)技術(shù)獲得分類訓(xùn)練網(wǎng)絡(luò)模型,對(duì)訓(xùn)練結(jié)果和車輛目標(biāo)特征進(jìn)行分析后進(jìn)一步對(duì)改進(jìn)的算法參數(shù)進(jìn)行調(diào)整,最終獲得更適合于道路車輛檢測(cè)與識(shí)別的YOLO-vocRV網(wǎng)絡(luò)模型下車輛多目標(biāo)檢測(cè)與識(shí)別方法。為驗(yàn)證該方法的有效性和完備性,采用不同模型不同數(shù)據(jù)集進(jìn)行了大量實(shí)驗(yàn)分析。研究?jī)?nèi)容主要包括:(1)采用一種基于Darknet框架下YOLO9000算法的車輛多目標(biāo)檢測(cè)方法。該方法在YOLO9000算法基礎(chǔ)下,根據(jù)訓(xùn)練結(jié)果和車輛目標(biāo)特征對(duì)YOLO9000網(wǎng)絡(luò)模型進(jìn)行改進(jìn),并對(duì)模型參數(shù)進(jìn)行調(diào)整,獲得更為適合于當(dāng)前道路視頻車輛檢測(cè)的YOLO9000-md網(wǎng)絡(luò)模型下車輛多目標(biāo)檢測(cè)方法。對(duì)視頻車輛進(jìn)行了檢測(cè)實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明:改進(jìn)模型YOLO9000-md的車輛多目標(biāo)檢測(cè)方法召回率達(dá)到96.15%,具有一定的有效性。(2)...

【文章頁(yè)數(shù)】：67 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2-1深度學(xué)習(xí)工作原理

淺層人工神經(jīng)網(wǎng)絡(luò)只能用于線性分類，并且和計(jì)算機(jī)能力的限制，訓(xùn)練一個(gè)多層感知機(jī)所需的時(shí)間神經(jīng)網(wǎng)絡(luò)的發(fā)展。直到1974年，PaulWerbos[38]等人深練機(jī)制，并提出了改進(jìn)方案—誤差反向傳播算法，推動(dòng)新的熱潮。而機(jī)器學(xué)習(xí)也從淺層學(xué)習(xí)模型階段發(fā)展到了階段。習(xí)是將輸入映射到目標(biāo)....

圖2-2神經(jīng)元模型

圖2-2神經(jīng)元模型該神經(jīng)元由多個(gè)輸入(1,2,...)ixin和一個(gè)輸出y組成，輸入的權(quán)值與定了中間狀態(tài)的表達(dá)與輸出，輸出可表示為：()iiyfwxb，iw是權(quán)重項(xiàng)，b是偏置12(,,...,|)nixxxx....

圖2-3Sigmoid函數(shù)

圖2-3Sigmoid函數(shù)圖2-4ReLU函數(shù)ReLU函數(shù)是目前使用最多的激活函數(shù)，其在保持同樣效果的同時(shí)收也是Darknet框架中所采用的激活函數(shù)，其優(yōu)勢(shì)在于：(1)處理速度快，比Sigmoid函數(shù)需要算指數(shù)、倒數(shù)代價(jià)小很多；(2)減輕了梯度消失問(wèn)題....

圖2-4ReLU函數(shù)ReLU函數(shù)是目前使用最多的激活函數(shù)，其在保持同樣效果的同時(shí)收斂更

圖2-3Sigmoid函數(shù)圖2-4ReLU函數(shù)ReLU函數(shù)是目前使用最多的激活函數(shù)，其在保持同樣效果的同時(shí)收也是Darknet框架中所采用的激活函數(shù)，其優(yōu)勢(shì)在于：(1)處理速度快，比Sigmoid函數(shù)需要算指數(shù)、倒數(shù)代價(jià)小很多；(2)減輕了梯度消失問(wèn)題....

本文編號(hào)：4028926