發(fā)布時(shí)間：2020-12-27 01:51

　　隨著工業(yè)自動(dòng)化水平的提高和科技的進(jìn)步,車輛識(shí)別的應(yīng)用場(chǎng)景越來(lái)越復(fù)雜,對(duì)車輛識(shí)別的精度等要求也不斷提高。復(fù)雜場(chǎng)景下的車輛識(shí)別需求與日俱增,且其識(shí)別難度大于一般性場(chǎng)景。深度學(xué)習(xí)的本質(zhì)是通過(guò)構(gòu)建多個(gè)隱層的神經(jīng)網(wǎng)絡(luò)來(lái)訓(xùn)練樣本數(shù)據(jù),通過(guò)訓(xùn)練來(lái)學(xué)習(xí)樣本的特征,代替依賴經(jīng)驗(yàn)進(jìn)行的人工特征提取。深度學(xué)習(xí)最顯著的特點(diǎn)是,它可以把一個(gè)復(fù)雜問(wèn)題拆分成若干個(gè)簡(jiǎn)單問(wèn)題,并依次解決這些簡(jiǎn)單問(wèn)題,之后綜合起來(lái)解決復(fù)雜問(wèn)題。因此,深度學(xué)習(xí)逐漸成為車輛識(shí)別領(lǐng)域的重要支撐,且其具有廣泛的應(yīng)用價(jià)值。在實(shí)際應(yīng)用中,往往存在目標(biāo)被遮擋嚴(yán)重、相同目標(biāo)重疊較多等情況,為了從復(fù)雜背景中準(zhǔn)確識(shí)別出車輛并對(duì)其進(jìn)行精準(zhǔn)定位,本文通過(guò)對(duì)深度學(xué)習(xí)YOLO(You Only Look Once)網(wǎng)絡(luò)模型深入分析的基礎(chǔ)上,針對(duì)原YOLO網(wǎng)絡(luò)模型算法識(shí)別率不能滿足復(fù)雜應(yīng)用的問(wèn)題,通過(guò)對(duì)公開(kāi)數(shù)據(jù)集標(biāo)注文件進(jìn)行可視化解析,對(duì)其中的漏標(biāo)注、誤標(biāo)注的車輛位置進(jìn)行調(diào)整,并對(duì)樣本數(shù)據(jù)進(jìn)行數(shù)據(jù)增強(qiáng)處理,形成PCAR訓(xùn)練數(shù)據(jù)集,提升車輛識(shí)別率;針對(duì)深度學(xué)習(xí)識(shí)別算法識(shí)別車輛存在虛警較多的問(wèn)題,提出一種基于殘差歸一化規(guī)則的虛警抑制方法剔除虛警;訓(xùn)練階段研究了深度學(xué)習(xí)模... 

【文章來(lái)源】：中國(guó)艦船研究院北京市

【文章頁(yè)數(shù)】：73 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 本文主要工作及創(chuàng)新點(diǎn)
    1.4 本文組織與結(jié)構(gòu)
第2章 深度學(xué)習(xí)在物體識(shí)別中的應(yīng)用分析
    2.1 引言
    2.2 深度卷積網(wǎng)絡(luò)的架構(gòu)
    2.3 深度學(xué)習(xí)正則化
        2.3.1 L2參數(shù)正則化和L1參數(shù)正則化
        2.3.2 隨機(jī)失活
    2.4 深度學(xué)習(xí)網(wǎng)絡(luò)模型
        2.4.1 FastR-CNN
        2.4.2 FasterR-CNN
        2.4.3 SSD
    2.5 物體識(shí)別關(guān)鍵技術(shù)的研究
        2.5.1 圖像預(yù)處理
        2.5.2 數(shù)據(jù)增強(qiáng)
    2.6 Darknet簡(jiǎn)介
        2.6.1 Darknet的優(yōu)點(diǎn)
        2.6.2 Darknet的神經(jīng)網(wǎng)絡(luò)配置
    2.7 本章小結(jié)
第3章 基于YOLO改進(jìn)的車輛識(shí)別方法研究
    3.1 問(wèn)題描述
    3.2 基于YOLO的車輛識(shí)別方法
        3.2.1 系統(tǒng)流程
        3.2.2 原YOLO網(wǎng)絡(luò)模型
        3.2.3 深度學(xué)習(xí)訓(xùn)練方法
        3.2.4 數(shù)據(jù)預(yù)處理方法
        3.2.5 虛警抑制方法
    3.3 本章小結(jié)
第4章 復(fù)雜場(chǎng)景下車輛識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)
    4.1 引言
    4.2 系統(tǒng)設(shè)計(jì)
        4.2.1 需求分析
        4.2.2 系統(tǒng)總體架構(gòu)
        4.2.3 系統(tǒng)功能設(shè)計(jì)
    4.3 系統(tǒng)主要功能模塊設(shè)計(jì)與實(shí)現(xiàn)
        4.3.1 數(shù)據(jù)采集與預(yù)處理模塊設(shè)計(jì)
        4.3.2 虛警抑制模塊設(shè)計(jì)
        4.3.3 深度學(xué)習(xí)參數(shù)調(diào)整模塊設(shè)計(jì)
    4.4 系統(tǒng)流程與分析
        4.4.1 深度學(xué)習(xí)訓(xùn)練過(guò)程
        4.4.2 測(cè)試及使用
    4.5 本章小結(jié)
第5章 實(shí)驗(yàn)結(jié)果與分析
    5.1 實(shí)驗(yàn)設(shè)置
    5.2 COCO數(shù)據(jù)集實(shí)驗(yàn)
    5.3 PCAR數(shù)據(jù)集實(shí)驗(yàn)
    5.4 不同實(shí)驗(yàn)平臺(tái)實(shí)驗(yàn)
    5.5 本章小結(jié)
第6章 總結(jié)與展望
    6.1 論文工作總結(jié)
    6.2 研究工作展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于前景提取的車輛識(shí)別與測(cè)量[J]. 王小麗,熊顯名,曾星宇,徐韶華.  儀器儀表用戶. 2018(03)
[2]基于多傳感器信息融合的車輛目標(biāo)識(shí)別方法[J]. 孫寧,秦洪懋,張利,葛如海.  汽車工程. 2017(11)
[3]視頻中運(yùn)動(dòng)目標(biāo)分類識(shí)別技術(shù)[J]. 劉倩蘭.  電腦迷. 2017(03)
[4]深度學(xué)習(xí)的昨天、今天和明天[J]. 余凱,賈磊,陳雨強(qiáng),徐偉.  計(jì)算機(jī)研究與發(fā)展. 2013(09)
[5]基于主動(dòng)學(xué)習(xí)和半監(jiān)督學(xué)習(xí)的多類圖像分類[J]. 陳榮,曹永鋒,孫洪.  自動(dòng)化學(xué)報(bào). 2011(08)
[6]情報(bào)處理中野值門限的選擇[J]. 吳漢寶,周永豐,楊向廣,趙曉嵐.  艦船電子工程. 2007(02)
[7]統(tǒng)計(jì)模式識(shí)別研究進(jìn)展[J]. 盧力,田金文,柳健.  軍民兩用技術(shù)與產(chǎn)品. 2003(11)



本文編號(hào)：2940865