目標(biāo)檢測的任務(wù)是找出圖像中所有感興趣的目標(biāo),并確定它們的位置和類別。在無人駕駛車輛行駛的過程中,快速并準(zhǔn)確檢測出周圍復(fù)雜交通場景中的所有潛在危險(xiǎn)目標(biāo)是實(shí)現(xiàn)安全駕駛的基礎(chǔ),也是當(dāng)前無人駕駛技術(shù)所需要解決的關(guān)鍵問題之一。本論文結(jié)合國家智能網(wǎng)聯(lián)汽車應(yīng)用（北方）示范區(qū)測試標(biāo)準(zhǔn)中的環(huán)境感知模塊展開研究,聚焦復(fù)雜交通場景下的目標(biāo)檢測技術(shù),以深度學(xué)習(xí)為研究手段,構(gòu)建兼顧檢測精度與檢測速度的車輛前方動(dòng)態(tài)多目標(biāo)檢測模型,主要工作內(nèi)容如下:1、構(gòu)建了適用于本文的目標(biāo)檢測模型評(píng)價(jià)體系。為了探究基于深度學(xué)習(xí)的目標(biāo)檢測機(jī)理,科學(xué)評(píng)價(jià)目標(biāo)檢測模型,本文分析了深度卷積網(wǎng)絡(luò)的基本工作原理,梳理了目標(biāo)檢測模型的主要評(píng)價(jià)指標(biāo),結(jié)合研究內(nèi)容中所構(gòu)建模型,對(duì)評(píng)價(jià)指標(biāo)進(jìn)行了合理篩選,并確定以同一測試平臺(tái)下,mAP值結(jié)合FPS和Inference20Time作為本文所構(gòu)建模型的評(píng)價(jià)體系。2、構(gòu)建了車輛前方動(dòng)態(tài)多目標(biāo)檢測數(shù)據(jù)集。為了獲得適用于本文的數(shù)據(jù)集,本文分析并拆解了當(dāng)前主流的目標(biāo)檢測公開數(shù)據(jù)集,提取BDD100K數(shù)據(jù)集中適用于本文的圖像數(shù)據(jù)與標(biāo)簽文件。搭建采集平臺(tái),實(shí)車采集示范區(qū)內(nèi)測試區(qū)圖像數(shù)據(jù),利用LabelImg進(jìn)行手工... 

【文章來源】：吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：75 頁

【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 國內(nèi)外研究現(xiàn)狀
        1.2.1 國內(nèi)外目標(biāo)檢測理論研究現(xiàn)狀
        1.2.2 國內(nèi)外目標(biāo)檢測應(yīng)用研究現(xiàn)狀
    1.3 論文主要研究內(nèi)容
        1.3.1 主要研究內(nèi)容
        1.3.2 論文研究技術(shù)路線
    1.4 本章小結(jié)
第2章 深度學(xué)習(xí)目標(biāo)檢測算法基礎(chǔ)研究
    2.1 卷積神經(jīng)網(wǎng)絡(luò)基本概念
        2.1.1 卷積與池化
        2.1.2 激活函數(shù)與損失函數(shù)
        2.1.3 梯度下降與反向傳播
        2.1.4 批量歸一化與群組歸一化
    2.2 目標(biāo)檢測模型評(píng)價(jià)指標(biāo)
        2.2.1 PR曲線與mAP
        2.2.2 ROC曲線與AUC
        2.2.3 交并比
        2.2.4 檢測速度
    2.3 本章小結(jié)
第3章 車輛前方動(dòng)態(tài)多目標(biāo)檢測數(shù)據(jù)集制作
    3.1 公開數(shù)據(jù)集解析
        3.1.1 數(shù)據(jù)集選取
        3.1.2 數(shù)據(jù)標(biāo)簽提取
    3.2 ICV-NDZ數(shù)據(jù)集建立
        3.2.1 數(shù)據(jù)采集
        3.2.2 數(shù)據(jù)標(biāo)注
    3.3 車輛前方動(dòng)態(tài)多目標(biāo)檢測數(shù)據(jù)集確立
        3.3.1 數(shù)據(jù)集格式統(tǒng)一
        3.3.2 數(shù)據(jù)集構(gòu)建
    3.4 本章小結(jié)
第4章 車輛前方動(dòng)態(tài)多目標(biāo)檢測模型訓(xùn)練與優(yōu)化
    4.1 基于深度學(xué)習(xí)的目標(biāo)檢測算法簡述
        4.1.1 兩階段檢測算法Faster R-CNN
        4.1.2 單階段檢測算法YOLOv3
    4.2 基于YOLOV3 的車輛前方動(dòng)態(tài)多目標(biāo)檢測模型訓(xùn)練
        4.2.1 試驗(yàn)平臺(tái)環(huán)境搭建
        4.2.2 數(shù)據(jù)準(zhǔn)備
        4.2.3 模型訓(xùn)練
        4.2.4 模型評(píng)價(jià)與測試
    4.3 基于YOLOV3 的車輛前方動(dòng)態(tài)多目標(biāo)檢測模型優(yōu)化
        4.3.1 模型優(yōu)化設(shè)計(jì)
        4.3.2 優(yōu)化模型訓(xùn)練
        4.3.3 優(yōu)化模型評(píng)價(jià)與測試
    4.4 本章小結(jié)
第5章 實(shí)車試驗(yàn)
    5.1 試驗(yàn)準(zhǔn)備
    5.2 示范區(qū)試驗(yàn)
    5.3 校園試驗(yàn)
    5.4 本章小結(jié)
第6章 總結(jié)與展望
    6.1 全文總結(jié)
    6.2 不足與展望
參考文獻(xiàn)
作者簡介
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的道路交通標(biāo)志多目標(biāo)實(shí)時(shí)檢測[J]. 劉英璇,伍錫如,雪剛剛.  廣西師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020(02)
[2]我國智能網(wǎng)聯(lián)汽車測試及示范基地發(fā)展現(xiàn)狀[J]. 鄧曉峰,王潤民,徐志剛,劉丁貝.  汽車工業(yè)研究. 2019(01)
[3]基于深度學(xué)習(xí)的車輛檢測方法[J]. 楊愷,徐友春,安相璧,李永樂,劉鯤鵬.  計(jì)算機(jī)與網(wǎng)絡(luò). 2018(19)
[4]基于改進(jìn)SSD的交通大場景多目標(biāo)檢測[J]. 華夏,王新晴,王東,馬昭燁,邵發(fā)明.  光學(xué)學(xué)報(bào). 2018(12)
[5]智能視頻監(jiān)控技術(shù)在智慧城市中的深入應(yīng)用[J]. 高旭麟.  中國安防. 2018(07)
[6]智能網(wǎng)聯(lián)汽車（ICV）技術(shù)的發(fā)展現(xiàn)狀及趨勢[J]. 李克強(qiáng),戴一凡,李升波,邊明遠(yuǎn).  汽車安全與節(jié)能學(xué)報(bào). 2017(01)
[7]人工神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀及其展望[J]. 朱大奇.  江南大學(xué)學(xué)報(bào). 2004(01)

博士論文
[1]基于深度學(xué)習(xí)的行人及騎車人車載圖像識(shí)別方法[D]. 李曉飛.清華大學(xué) 2016

碩士論文
[1]協(xié)作駕駛場景下的目標(biāo)檢測應(yīng)用[D]. 鄒雁詩.南京郵電大學(xué) 2019
[2]基于深度學(xué)習(xí)的交通場景多目標(biāo)檢測[D]. 李珊珊.湖南大學(xué) 2017



本文編號(hào)：3179046