發(fā)布時間：2021-07-18 10:20

　　在城市化進程的推動下機動車成為廣泛應用的移動交通工具,給人們的出行帶來了許多便捷。但與之而來的是日趨復雜的交通環(huán)境和漸趨嚴峻的交通安全問題。利用有效的交通場景理解機制,賦予車輛一定的智能,從而協(xié)助駕駛員規(guī)避安全風險已成為當前降低道路事故發(fā)生率的研究熱點。在交通場景理解中,對于目標的檢測是一個重要的研究方向,目標檢測是指在道路交通環(huán)境中,指出目標可能存在的位置,提供較為完善的場景信息。由于交通場景復雜,存在許多干擾信息如光照、惡劣天氣影響等,完全依靠人工實現(xiàn)目標檢測變得較為困難,機器學習作為具有一定自適應性的檢測方法,已成為近些年學術界和工業(yè)界的關注熱點,獲得了廣泛的應用。基于機器學習的交通場景下目標檢測主要有兩種研究手段——基于人工設計特征結合機器學習分類器的目標檢測方法和基于深度學習的自提取特征的目標檢測方法。本文依據(jù)上述研究手段,針對交通場景圖像中復雜城市環(huán)境下的檢測效率和泛化性能等問題,分別提出基于機器學習及深度學習的目標檢測方法,主要研究內容如下:⑴針對機器學習的目標檢測方法,提出了一種基于分層支持向量機的檢測方法。通過與背景明顯區(qū)分的尾燈作為顯著特征確定目標,提取尾燈特征并依... 

【文章來源】：太原理工大學山西省 211工程院校

【文章頁數(shù)】：106 頁

【學位級別】：碩士

【部分圖文】：

計算機圖像的存儲方式

基于機器學習的目標檢測框架

圖像及其三通道直方圖

【參考文獻】：
期刊論文
[1]基于Adaboost的高分遙感影像自動變化檢測方法[J]. 陳偉鋒,毛政元,徐偉銘,許銳.  地球信息科學學報. 2018(12)
[2]基于級聯(lián)微型神經網絡的多角度車輛檢測方法[J]. 李浩,連捷,王辛巖.  計算機工程與應用. 2018(22)
[3]基于寬度學習方法的多模態(tài)信息融合[J]. 賈晨,劉華平,續(xù)欣瑩,孫富春.  智能系統(tǒng)學報. 2019(01)
[4]基于車前燈的夜間車輛視頻檢測研究[J]. 柳長源,陳蘭萍,Ersoy.  計算機工程與應用. 2019(02)
[5]A Survey on Deep Learning-based Fine-grained Object Classification and Semantic Segmentation[J]. Bo Zhao,Jiashi Feng,Xiao Wu,Shuicheng Yan.  International Journal of Automation and Computing. 2017(02)
[6]交通路口監(jiān)控視頻跨視域多目標跟蹤的可視化[J]. 劉彩虹,張磊,黃華.  計算機學報. 2018(01)
[7]車輛尾燈燈語的檢測與識別[J]. 田強,孔斌,孫翠敏,王燦.  計算機系統(tǒng)應用. 2015(11)
[8]彩色圖像邊緣檢測研究綜述[J]. 楊婷婷,顧梅花,章為川,馬蒙蒙.  計算機應用研究. 2015(09)
[9]基于亮度累加直方圖的夜間車輛檢測算法[J]. 孫曉艷,王健,王建強,郭君斌.  計算機工程. 2013(06)
[10]基于車底陰影的前方運動車輛檢測[J]. 齊美彬,潘燕,張銀霞.  電子測量與儀器學報. 2012(01)

碩士論文
[1]深度卷積網絡中的自適應激活函數(shù)研究[D]. 劉華.華南理工大學 2018



本文編號：3289384