采用機(jī)器視覺對(duì)車輛目標(biāo)進(jìn)行檢測(cè)是新一代智能汽車實(shí)現(xiàn)自動(dòng)駕駛的重要一環(huán)。雖然帶有金字塔結(jié)構(gòu)的檢測(cè)算法往往有不錯(cuò)的檢測(cè)精確度同時(shí)又有不錯(cuò)的檢測(cè)效率,并且使用該技術(shù)的檢測(cè)算法在各類自動(dòng)駕駛場(chǎng)景中都已有所應(yīng)用,但是當(dāng)下檢測(cè)算法模型亟需解決的難點(diǎn)依然存在,具體有如下三個(gè)方面:1.對(duì)于遠(yuǎn)處的車輛即在圖像中像素較小的車輛目標(biāo)檢測(cè)效果不佳;2.對(duì)于被遮擋的車輛目標(biāo)檢測(cè)效果不佳;3.檢測(cè)到的目標(biāo)的定位信息不夠精確,會(huì)影響車輛目標(biāo)在圖像上的位置坐標(biāo)到世界坐標(biāo)系下三維坐標(biāo)的轉(zhuǎn)換精度。因此當(dāng)前的大量車輛檢測(cè)算法仍需要進(jìn)一步改進(jìn)解決上述難題。本文對(duì)在深度學(xué)習(xí)圖像檢測(cè)框架下的基于金字塔結(jié)構(gòu)的車輛檢測(cè)算法Faster R-CNN開展深入研究,研究工作具體如下:（1）在深入分析檢測(cè)算法中的特征金字塔結(jié)構(gòu)的原理后,提出了一種雙路殘差雙路金字塔結(jié)構(gòu)。其基本思想是使用ResNet提取圖片原始特征后,首先將小分辨率特征通過插值放大后與更大一級(jí)的大分辨率特征進(jìn)行融合,然后將各個(gè)分辨率的原始特征再與融合完的特征圖做相加處理,進(jìn)一步豐富該層的特征信息,最后將處理完的特征圖從大至小的再做一次分辨率減小的特征融合操作,能夠?qū)Ω邔犹卣鲌D... 

【文章來源】：江蘇大學(xué)江蘇省

【文章頁數(shù)】：90 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題的研究背景
    1.2 車輛檢測(cè)算法研究進(jìn)展綜述
        1.2.1 傳統(tǒng)視覺車輛檢測(cè)算法
        1.2.2 基于深度學(xué)習(xí)的視覺車輛檢測(cè)算法
    1.3 視覺車輛檢測(cè)技術(shù)關(guān)鍵問題分析
    1.4 本文的研究內(nèi)容和意義
        1.4.1 研究內(nèi)容
        1.4.2 研究意義
第二章 Faster R-CNN深度學(xué)習(xí)相關(guān)基礎(chǔ)理論綜述
    2.1 深度學(xué)習(xí)技術(shù)
        2.1.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.1.2 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程
        2.1.3 ResNet卷積神經(jīng)網(wǎng)絡(luò)
        2.1.4 交并比方法
        2.1.5 金字塔結(jié)構(gòu)
    2.2 Softmax分類器
    2.3 Faster R-CNN目標(biāo)識(shí)別算法
        2.3.1 區(qū)域候選框網(wǎng)絡(luò)
        2.3.2 ROI池化
        2.3.3 Faster R-CNN算法權(quán)值共享策略
    2.4 本章小結(jié)
第三章 基于雙路殘差金字塔網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法
    3.1 雙路殘差金字塔網(wǎng)絡(luò)
        3.1.1 自底而上的特征傳遞回路
        3.1.2 殘差信息補(bǔ)充支路
        3.1.3 可學(xué)習(xí)的特征加權(quán)融合思路
    3.2 錨框生成方法的改進(jìn)
    3.3 改進(jìn)正負(fù)樣本篩選法
    3.4 實(shí)驗(yàn)準(zhǔn)備
        3.4.1 實(shí)驗(yàn)數(shù)據(jù)
        3.4.2 訓(xùn)練參數(shù)設(shè)置
        3.4.3 實(shí)驗(yàn)評(píng)價(jià)指標(biāo)
    3.5 實(shí)驗(yàn)結(jié)果和分析
        3.5.1 雙路殘差金字塔結(jié)構(gòu)的實(shí)驗(yàn)結(jié)果和分析
        3.5.2 自適應(yīng)錨框的實(shí)驗(yàn)結(jié)果和分析
        3.5.3 平衡采樣策略的實(shí)驗(yàn)結(jié)果和分析
        3.5.4 綜合實(shí)驗(yàn)結(jié)果和分析
    3.6 本章小結(jié)
第四章 基于增強(qiáng)型全局信息感興趣模塊的車輛檢測(cè)算法
    4.1 全局上下文信息補(bǔ)充模塊
    4.2 自適應(yīng)ROI增強(qiáng)模塊
    4.3 改進(jìn)框回歸損失函數(shù)
        4.3.1 損失函數(shù)平衡性的改善
        4.3.2 有遮擋下的檢測(cè)精度的改善
    4.4 ROI Pooling的改進(jìn)
    4.5 實(shí)驗(yàn)準(zhǔn)備
        4.5.1 實(shí)驗(yàn)數(shù)據(jù)
        4.5.2 實(shí)驗(yàn)細(xì)節(jié)
        4.5.3 評(píng)價(jià)指標(biāo)
    4.6 實(shí)驗(yàn)結(jié)果與分析
        4.6.1 自適應(yīng)ROI增強(qiáng)模塊的實(shí)驗(yàn)結(jié)果和分析
        4.6.2 平衡損失改進(jìn)的實(shí)驗(yàn)結(jié)果和分析
        4.6.3 吸引力損失改進(jìn)的實(shí)驗(yàn)結(jié)果和分析
        4.6.4 綜合實(shí)驗(yàn)結(jié)果和分析
    4.7 本章小結(jié)
第五章 車輛檢測(cè)算法在無人駕駛平臺(tái)上的應(yīng)用
    5.1 TensorRT框架簡介
    5.2 智能駕駛車輛平臺(tái)簡介
    5.3 智能車載硬件介紹
        5.3.1 數(shù)據(jù)處理中心硬件介紹
        5.3.2 環(huán)境感知系統(tǒng)硬件介紹
        5.3.3 坐標(biāo)定位系統(tǒng)的硬件介紹
        5.3.4 控制系統(tǒng)的硬件介紹
        5.3.5 GPU計(jì)算單元的硬件介紹
    5.4 車輛檢測(cè)算法應(yīng)用
        5.4.1 整體框架與顯示界面
        5.4.2 車輛檢測(cè)算法在智能駕駛測(cè)試平臺(tái)實(shí)驗(yàn)
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 全文總結(jié)
    6.2 進(jìn)一步研究的工作展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間參加的科研項(xiàng)目及學(xué)術(shù)成果


【參考文獻(xiàn)】：
期刊論文
[1]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計(jì)算機(jī)學(xué)報(bào). 2017(06)
[2]采用視覺顯著性和深度卷積網(wǎng)絡(luò)的魯棒視覺車輛識(shí)別算法[J]. 蔡英鳳,王海,陳龍,江浩斌.  江蘇大學(xué)學(xué)報(bào)(自然科學(xué)版). 2015(03)
[3]國外車聯(lián)網(wǎng)智能交通發(fā)展?fàn)顩r[J]. 王泉.  中國科技投資. 2014 (34)
[4]基于單目視覺的前方車輛探測(cè)方法[J]. 施樹明,儲(chǔ)江偉,李斌,郭烈,王榮本.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2004(04)

碩士論文
[1]互聯(lián)網(wǎng)行業(yè)的反壟斷研究[D]. 張小玲.南昌大學(xué) 2015
[2]基于HOG特征的車輛檢測(cè)技術(shù)研究[D]. 馬蓓蓓.華南理工大學(xué) 2015
[3]道路交通事故的人因分析與駕駛員可靠性研究[D]. 畢建彬.北京交通大學(xué) 2012
[4]關(guān)于無人駕駛汽車障礙物信息識(shí)別與處理系統(tǒng)的研究[D]. 任燕宏.蘭州理工大學(xué) 2011
[5]圖像LBP特征提取的研究與應(yīng)用[D]. 肖霄.吉林大學(xué) 2011



本文編號(hào)：3438123