隨著車禍?zhǔn)鹿实闹鹉暝黾?以及計(jì)算機(jī)硬件性能的不斷提升和Ai在特定場(chǎng)景下的解決能力展現(xiàn)出超出人類的驚人表現(xiàn),用于分析車載駕駛系統(tǒng)的行人檢測(cè)和行為識(shí)別技術(shù)具有可觀的應(yīng)用前景。目前的行為識(shí)別技術(shù)的應(yīng)用大多是用于監(jiān)控場(chǎng)景,很少有研究將行為識(shí)別應(yīng)用到車載駕駛系統(tǒng)中。本文研究如何將行人檢測(cè)技術(shù)與行人的行為識(shí)別技術(shù)應(yīng)用到車輛駕駛中,實(shí)現(xiàn)一個(gè)動(dòng)態(tài)4D（2D+時(shí)間+行為交互）的系統(tǒng)。本文主要內(nèi)容如下:（1）首先介紹卷積神經(jīng)網(wǎng)絡(luò)的基本組成和執(zhí)行原理,接著介紹基于深度學(xué)習(xí)的行人檢測(cè)技術(shù)和行為識(shí)別技術(shù),并且對(duì)不同技術(shù)進(jìn)行分析以及性能對(duì)比。然后詳細(xì)解析YOLOV3-TINY行人檢測(cè)算法,最后針對(duì)車載視覺的特定應(yīng)用場(chǎng)景對(duì)YOLOV3-TINY進(jìn)行優(yōu)化,包括針對(duì)計(jì)算行人的Anchors,對(duì)行人單類進(jìn)行重訓(xùn)練,優(yōu)化YOLOV3-TINY特征提取網(wǎng)絡(luò),增加YOLOV3-TINY預(yù)測(cè)尺度,通過目標(biāo)跟蹤提高行人檢測(cè)準(zhǔn)確性。（2）研究基于連續(xù)多幀圖像的行為識(shí)別,本部分首先是利用C3D模型對(duì)多幀圖片特征進(jìn)行提取,然后進(jìn)行分類。然后分別從激活函數(shù),網(wǎng)絡(luò)深度兩個(gè)方向?qū)W(wǎng)絡(luò)結(jié)構(gòu)提出優(yōu)化策略,并對(duì)優(yōu)化前后性能進(jìn)行對(duì)比,最后引入CNN設(shè)... 

【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)】：78 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖 2-2 神經(jīng)元結(jié)構(gòu)神經(jīng)元輸入與一個(gè)或多個(gè)神經(jīng)元輸出相連，每個(gè)連接上帶有權(quán)對(duì)應(yīng)相乘相加后加上偏置信號(hào)得到總的輸入值，總的輸入值經(jīng)經(jīng)元的最終輸出[40]。函數(shù)神經(jīng)元的權(quán)值與偏置信號(hào)得到線性特征，激活函數(shù)能夠增加神，豐富神經(jīng)元的特征提取，解決線性不可分的問題[41]。常見的id 函數(shù)，ReLU[19]函數(shù)，Leaky ReLU[19]函數(shù)等，下面主要介紹本U 函數(shù)，Leaky ReLU 函數(shù)。ReLU 函數(shù)公式為： ,00,0()xxxf x 函數(shù)屏蔽了小于 0 的輸出，缺點(diǎn)是訓(xùn)練過程中如果權(quán)值更新不再被激活，經(jīng)過這一單元的梯度將永久為 0，該神經(jīng)元“死

圖 2-3 卷積層與輸入層對(duì)應(yīng)關(guān)系*3 的卷積核按步長(zhǎng)移動(dòng)，生成含 4*4（6-3+1）個(gè)神經(jīng)元的參數(shù)稱為權(quán)值。用來簡(jiǎn)化卷積層的輸出尺寸，常常接在卷積層后面，p 上面架一個(gè)局部窗口滑動(dòng)，并且不再需要權(quán)值和偏置，池最大池化，另一種為平均池化，最大池化是將卷積層窗口的輸出，而平均池化是將卷積層窗口上的平均值作為輸出

【參考文獻(xiàn)】：
期刊論文
[1]基于Dropout的改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)模型平均方法[J]. 程俊華,曾國輝,魯敦科,黃勃.  計(jì)算機(jī)應(yīng)用. 2019(06)
[2]基于反透視變換的車道線檢測(cè)算法[J]. 劉萍,孫耀航.  計(jì)算機(jī)與數(shù)字工程. 2019(03)
[3]基于Faster R-CNN和IoU優(yōu)化的實(shí)驗(yàn)室人數(shù)統(tǒng)計(jì)與管理系統(tǒng)[J]. 盛恒,黃銘,楊晶晶.  計(jì)算機(jī)應(yīng)用. 2019(06)
[4]基于DSP平臺(tái)的實(shí)時(shí)視覺車輛檢測(cè)方法[J]. 王海,李誠,蔡英鳳,陳龍,何友國.  江蘇大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(01)
[5]基于特征向量提取和SVM分類器的課堂人臉識(shí)別研究[J]. 黃麗媛,吳南壽,王雪花,曾亞光,韓定安,周月霞.  儀器儀表用戶. 2019(02)
[6]基于OPENPOSE的三維上肢康復(fù)系統(tǒng)[J]. 王懷宇,林艷萍,汪方.  機(jī)電一體化. 2018(09)
[7]一種基于FPGA的卷積神經(jīng)網(wǎng)絡(luò)加速器設(shè)計(jì)與實(shí)現(xiàn)[J]. 仇越,馬文濤,柴志雷.  微電子學(xué)與計(jì)算機(jī). 2018(08)
[8]多特征級(jí)聯(lián)的低能見度環(huán)境紅外行人檢測(cè)方法[J]. 劉峰,王思博,王向軍,趙廣偉,霍文甲.  紅外與激光工程. 2018(06)
[9]行為識(shí)別技術(shù)的研究與發(fā)展[J]. 祁家榕,張昌偉.  智能計(jì)算機(jī)與應(yīng)用. 2017(04)

博士論文
[1]視頻中人體行為識(shí)別若干問題研究[D]. 裴利沈.電子科技大學(xué) 2016

碩士論文
[1]基于因子得分的K-Means聚類算法的我國P2P網(wǎng)貸平臺(tái)信用評(píng)級(jí)研究[D]. 朱正皓.浙江財(cái)經(jīng)大學(xué) 2019
[2]基于機(jī)器視覺的行人檢測(cè)技術(shù)研究[D]. 馮偲.長(zhǎng)春工業(yè)大學(xué) 2017
[3]基于數(shù)據(jù)挖掘技術(shù)的臺(tái)區(qū)線損計(jì)算方法研究[D]. 李亞.華北電力大學(xué)(北京) 2017
[4]基于DSP的道路前方車輛識(shí)別算法研究[D]. 韻卓.吉林大學(xué) 2014



本文編號(hào)：3436627