隨著時代的發(fā)展與科技的進步,乘坐機動車出行已經(jīng)成為了人們的日常生活方式,伴隨而來的智能交通系統(tǒng)成為了各國政府與各大科技公司都爭相發(fā)展的對象。由于計算機硬件技術(shù)的突破性發(fā)展,基于深度神經(jīng)網(wǎng)絡(luò)的各類算法不再被計算資源所限制,作為智能交通系統(tǒng)其中重要的組成部分,輔助駕駛系統(tǒng)中的目標(biāo)檢測難題成為了當(dāng)下研究熱門領(lǐng)域。輔助駕駛系統(tǒng)中的目標(biāo)檢測問題主要分為目標(biāo)分類和目標(biāo)位置檢測兩個子任務(wù),其普遍的應(yīng)用場景為車輛前方的道路圖像。由于卷積神經(jīng)網(wǎng)絡(luò)自身結(jié)構(gòu)在處理圖像數(shù)據(jù)時具有的獨特優(yōu)越性,業(yè)界往往使用各類卷積神經(jīng)網(wǎng)絡(luò)作為道路目標(biāo)檢測方法,本文從特征提取方式、特征分類與位置回歸方式等角度將這些算法進行了分類介紹,并說明了選用YOLO系列算法的優(yōu)勢。為了解決道路前方視頻中的目標(biāo)檢測問題,本文采用YOLO-tiny算法對道路前方目標(biāo)進行檢測,但考慮到Y(jié)OLO-tiny算法在進行目標(biāo)檢測任務(wù)時實時性高但檢測精度不足的問題,為了同時滿足輔助駕駛系統(tǒng)中對于檢測算法實時性與準(zhǔn)確率的要求,本文針對YOLO-tiny的網(wǎng)絡(luò)模型進行了重新設(shè)計,在加深網(wǎng)絡(luò)層數(shù)的同時引入了 1*1卷積層對網(wǎng)絡(luò)進行參數(shù)簡化,使重新設(shè)計后的網(wǎng)絡(luò)能夠... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：73 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題研究的背景與意義
    1.2 國內(nèi)外研究歷史與現(xiàn)狀
    1.3 本文主要研究內(nèi)容與創(chuàng)新
    1.4 本文主要章節(jié)安排
第二章 目標(biāo)檢測算法介紹
    2.1 傳統(tǒng)目標(biāo)檢測方法
        2.1.1 背景差分法
        2.1.2 光流法
    2.2 基于神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測方法
        2.2.1 深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)
        2.2.2 R-CNN模型
        2.2.3 Fast R-CNN模型
        2.2.4 Faster R-CNN模型
        2.2.5 YOLO模型
    2.3 本章小結(jié)
第三章 改進的目標(biāo)檢測算法設(shè)計與實現(xiàn)
    3.1 YOLO-tiny模型
    3.2 損失函數(shù)
    3.3 YOLO-tiny網(wǎng)絡(luò)結(jié)構(gòu)的改進
    3.4 先驗框的重新聚類優(yōu)化
    3.5 改進后網(wǎng)絡(luò)的實驗結(jié)果與分析
    3.6 本章小結(jié)
第四章 加入目標(biāo)跟蹤器的融合檢測算法設(shè)計與實現(xiàn)
    4.1 目標(biāo)跟蹤算法介紹
    4.2 基于改進檢測算法的目標(biāo)跟蹤器設(shè)計與實現(xiàn)
        4.2.1 目標(biāo)檢測與跟蹤的結(jié)果匹配
        4.2.2 跟蹤算法的實驗結(jié)果與分析
    4.3 加入目標(biāo)跟蹤器的融合檢測算法實驗結(jié)果與分析
        4.3.1 實驗環(huán)境介紹
        4.3.2 構(gòu)建數(shù)據(jù)集
        4.3.3 訓(xùn)練流程
        4.3.4 測試結(jié)果分析
    4.4 本章小結(jié)
第五章 工作總結(jié)與展望
    5.1 本文工作總結(jié)
    5.2 后續(xù)展望
致謝
參考文獻
攻讀碩士學(xué)位期間取得的成果


【參考文獻】：
期刊論文
[1]基于幀間差分和背景差分的運動目標(biāo)檢測算法[J]. 孫挺,齊迎春,耿國華.  吉林大學(xué)學(xué)報(工學(xué)版). 2016(04)
[2]基于卡爾曼濾波的動目標(biāo)預(yù)測[J]. 嚴(yán)浙平,黃宇峰.  應(yīng)用科技. 2008(10)
[3]基于遺傳程序設(shè)計優(yōu)化神經(jīng)網(wǎng)絡(luò)激勵函數(shù)問題研究[J]. 蔣勇,李淼.  計算機應(yīng)用與軟件. 2008(08)
[4]自適應(yīng)推廣Kalman濾波應(yīng)用于水下被動目標(biāo)定位[J]. 高磊,徐德民,任章.  系統(tǒng)工程與電子技術(shù). 2001(05)



本文編號：3167373