近年來,隨著人工智能,尤其是深度學習的發(fā)展,自動駕駛這項當年只存在于人們幻想中的技術(shù)越來越趨近現(xiàn)實。完整意義的自動駕駛離不開先進的軟硬件設(shè)備的支持。特別是車輛在行駛途中,對于周圍物體的“認知”,需要優(yōu)秀的計算機視覺識別方法的支撐。YOLOv3具有速度快、背景誤檢率低、泛化能力強等優(yōu)點,可以滿足駕駛過程中需要實時檢測的要求,是自動駕駛視覺識別方法的不錯選擇。但它也存在一些YOLO系列算法的固有問題,例如多目標場景下識別性能不高,存在目標定位準確性問題,以及對于小尺度目標物體檢出度不夠。本研究的目的是尋求在實際駕駛環(huán)境下的高性能實時視覺識別器。因此需要在駕駛場景數(shù)據(jù)集上進行測試,從而了解識別器的識別特性。并在此基礎(chǔ)上加以改進,希望能夠提高其性能,提高自動駕駛應用中視覺識別的置信度。原YOLOv3識別器在BDD100K上的平均精度均值為0.423,遠低于其在COCO數(shù)據(jù)集上的平均精度。為此本文首先分析Anchors尺寸對YOLOv3識別性能的影響,通過K-means聚類優(yōu)選出一組Anchors。然后對YOLOv3的網(wǎng)絡結(jié)構(gòu)進行改進,增加一個YOLO頭,構(gòu)造4個YOLO頭的網(wǎng)絡結(jié)構(gòu),其在BDD... 

【文章來源】：青島大學山東省

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【部分圖文】：

013-2018年全國交通事故發(fā)生情況匯總分析[1]

青島大學碩士學位論文3都需要對給定圖像進行特征提齲在傳統(tǒng)機器學習中，通常利用手動設(shè)置特征完成特征提取任務，而在利用深度學習進行處理時，則通過卷積神經(jīng)網(wǎng)來完成特征抽齲（a）目標檢測（b）圖像分類圖1.2目標檢測算法的任務1.2.1傳統(tǒng)目標檢測算法傳統(tǒng)的目標檢測方法[13]其過程主要分為三部分：區(qū)域選擇→特征提鰓分類器。即首先在給定的圖像上進行可能包含目標物體的候選區(qū)域的選擇，然后對這些區(qū)域提取特征，最后使用訓練獲得的分類器進行目標物體類別屬性的判定。對于傳統(tǒng)的目標檢測算法其檢測流程如圖1.3所示。首先將給定的待檢測圖片作為輸入，采用滑動窗口[14]生成候選框，再對每個候選框中的部分圖像進行特征抽取，特征抽取采用計算機視覺中關(guān)于圖像特征表示的一些方法，常用的方法有基于顏色、紋理或者形狀等的方法（主要分為基于手工設(shè)計的特征或者基于學習的特征這兩大類）。在經(jīng)過對候選框進行判定后可以得到一系列的可能為當前檢測目標的候選框，這些候選框可能存在部分重疊。通過非極大值抑制算法[15]（NMS，Non-MaximumSuppression）對候選框進行篩選，最后輸出結(jié)果。傳統(tǒng)目標檢測算法有其自身的局限性，主要體現(xiàn)在以下兩個方面：首先，滑動窗口的區(qū)域選擇策略沒有明確的針對性，容易產(chǎn)生非常多的冗余窗口[16]，這會大大的增加了耗時，另外手動設(shè)計特征對于多樣性的變化不具備較好的魯棒性。而深度學習的算法將特征提取的部分換成卷積神經(jīng)網(wǎng)，對候選框內(nèi)部分特征提取的過程則采用候選區(qū)域目標推薦[17]（RPN，RegionProposalNetworks，）網(wǎng)絡來完成，極大地提高了檢測效率。圖1.3傳統(tǒng)目標檢測算法流程圖

青島大學碩士學位論文3都需要對給定圖像進行特征提齲在傳統(tǒng)機器學習中，通常利用手動設(shè)置特征完成特征提取任務，而在利用深度學習進行處理時，則通過卷積神經(jīng)網(wǎng)來完成特征抽齲（a）目標檢測（b）圖像分類圖1.2目標檢測算法的任務1.2.1傳統(tǒng)目標檢測算法傳統(tǒng)的目標檢測方法[13]其過程主要分為三部分：區(qū)域選擇→特征提鰓分類器。即首先在給定的圖像上進行可能包含目標物體的候選區(qū)域的選擇，然后對這些區(qū)域提取特征，最后使用訓練獲得的分類器進行目標物體類別屬性的判定。對于傳統(tǒng)的目標檢測算法其檢測流程如圖1.3所示。首先將給定的待檢測圖片作為輸入，采用滑動窗口[14]生成候選框，再對每個候選框中的部分圖像進行特征抽取，特征抽取采用計算機視覺中關(guān)于圖像特征表示的一些方法，常用的方法有基于顏色、紋理或者形狀等的方法（主要分為基于手工設(shè)計的特征或者基于學習的特征這兩大類）。在經(jīng)過對候選框進行判定后可以得到一系列的可能為當前檢測目標的候選框，這些候選框可能存在部分重疊。通過非極大值抑制算法[15]（NMS，Non-MaximumSuppression）對候選框進行篩選，最后輸出結(jié)果。傳統(tǒng)目標檢測算法有其自身的局限性，主要體現(xiàn)在以下兩個方面：首先，滑動窗口的區(qū)域選擇策略沒有明確的針對性，容易產(chǎn)生非常多的冗余窗口[16]，這會大大的增加了耗時，另外手動設(shè)計特征對于多樣性的變化不具備較好的魯棒性。而深度學習的算法將特征提取的部分換成卷積神經(jīng)網(wǎng)，對候選框內(nèi)部分特征提取的過程則采用候選區(qū)域目標推薦[17]（RPN，RegionProposalNetworks，）網(wǎng)絡來完成，極大地提高了檢測效率。圖1.3傳統(tǒng)目標檢測算法流程圖

【參考文獻】：
期刊論文
[1]基于YOLOv3的自動駕駛中運動目標檢測[J]. 李云鵬,侯凌燕,王超.  計算機工程與設(shè)計. 2019(04)
[2]車輛實時檢測研究綜述[J]. 卞山峰,張慶輝.  電子質(zhì)量. 2019(02)
[3]深度學習研究綜述[J]. 張榮,李偉平,莫同.  信息與控制. 2018(04)
[4]目標檢測算法研究綜述[J]. 方路平,何杭江,周國民.  計算機工程與應用. 2018(13)
[5]未成熟芒果的改進YOLOv2識別方法[J]. 薛月菊,黃寧,涂淑琴,毛亮,楊阿慶,朱勛沐,楊曉帆,陳鵬飛.  農(nóng)業(yè)工程學報. 2018(07)
[6]基于深度學習方法的復雜場景下車輛目標檢測[J]. 宋煥生,張向清,鄭寶峰,嚴騰.  計算機應用研究. 2018(04)
[7]基于YOLO算法的車輛實時檢測[J]. 王宇寧,龐智恒,袁德明.  武漢理工大學學報. 2016(10)
[8]基于計算機視覺的自動駕駛算法研究綜述[J]. 張貴英,向函,趙勇.  貴州師范學院學報. 2016(06)
[9]基于三維激光雷達和深度圖像的自動駕駛汽車障礙物檢測方法[J]. 王新竹,李駿,李紅建,尚秉旭.  吉林大學學報(工學版). 2016(02)

碩士論文
[1]基于YOLOv3和多目標跟蹤的智能交通視頻監(jiān)控系統(tǒng)[D]. 曾星宇.桂林電子科技大學 2019
[2]區(qū)域卷積神經(jīng)網(wǎng)絡在車輛檢測中的應用研究[D]. 張鶴鶴.西安理工大學 2018
[3]基于車載視頻的道路車輛及行人檢測[D]. 唐詩.電子科技大學 2018
[4]基于YOLOv2的實時目標檢測研究[D]. 雷維卓.重慶大學 2018
[5]敏感圖像識別系統(tǒng)輔助功能的設(shè)計與實現(xiàn)[D]. 王鵬.北京交通大學 2018
[6]一個改進的YOLOv3目標識別算法研究[D]. 譚俊.華中科技大學 2018
[7]世界汽車安全性技術(shù)法規(guī)與標準的研究[D]. 徐大偉.武漢理工大學 2007



本文編號：3137937