汽車在人們?nèi)粘Ｉ钪械氖褂昧咳找嬖龆?給人們出行帶來了極大的便利,但是與此同時(shí),交通安全問題也日益突出。駕駛員問題是導(dǎo)致交通事故的主要因素,所以各大科研機(jī)構(gòu)希望通過研發(fā)自動(dòng)駕駛技術(shù)輔助人為駕駛,以減少由于駕駛員因素引發(fā)的交通事故。在實(shí)際的道路場景中,由于受天氣光照變化、物體遮擋、運(yùn)動(dòng)模糊等不利因素的影響,物體識(shí)別的準(zhǔn)確性和速度對(duì)研究者來說是一個(gè)重大挑戰(zhàn)。本課題基于深度學(xué)習(xí)算法,設(shè)計(jì)了一個(gè)道路場景識(shí)別器,對(duì)于道路場景中常見的物體,如行人、車輛、動(dòng)物和交通標(biāo)志具有良好的識(shí)別效果。本文首先做了大量的數(shù)據(jù)集的預(yù)處理工作,除了簡單的人工攝像獲取圖片外,為了增加數(shù)據(jù)的數(shù)量和多樣性,對(duì)圖片做了放射變換、模糊處理、亮度變換等操作,極大的豐富了數(shù)據(jù)集圖片的數(shù)量和多樣性;然后采用了ResNet-34網(wǎng)絡(luò)模型,并對(duì)模型進(jìn)行了網(wǎng)絡(luò)結(jié)構(gòu)改進(jìn),加快了網(wǎng)絡(luò)訓(xùn)練速度,改進(jìn)后的網(wǎng)絡(luò)用于訓(xùn)練交通標(biāo)志分類模型,最終模型分類的正確率達(dá)到96.602%;最后使用SSD+VGG網(wǎng)絡(luò)、R-FCN+ResNet網(wǎng)絡(luò)設(shè)計(jì)了道路場景識(shí)別器的總體方案,其中使用SSD算法以VGG網(wǎng)絡(luò)為基礎(chǔ),識(shí)別尺寸較大的物體,如行人、車輛;使用R-FCN算... 

【文章來源】：北方工業(yè)大學(xué)北京市

【文章頁數(shù)】：53 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－１卷積核卷積示意圖??

多層感知器ｔｌ７１存在的最大的問題就是，它是一個(gè)全連接的網(wǎng)絡(luò)，因此在輸入??比較大的時(shí)候，權(quán)值會(huì)特別多。分析圖像可知，相鄰區(qū)域內(nèi)圖像像素聯(lián)系較為緊??密，而距離較遠(yuǎn)的像素則聯(lián)系性較弱。所以在使用祌經(jīng)網(wǎng)絡(luò)對(duì)圖像進(jìn)行分析時(shí)，??沒有必要每個(gè)神經(jīng)元對(duì)每個(gè)像素都感知，只需對(duì)局部相鄰像素感知就好，如下圖??２－２。然后在深度學(xué)習(xí)的最后一層使用全連接網(wǎng)絡(luò)，將之前各個(gè)卷積核局部感知??

０?ｉｊ?ｉｊ?〇Ｊ?〇?１．．９－１－１?＼Ｊ．〇ｊ?〇？：??圖２－１卷積核卷積示意圖??傳統(tǒng)神經(jīng)網(wǎng)絡(luò)在處理圖像時(shí)，先把圖像像素轉(zhuǎn)化為向量形式，隱含層設(shè)置祌??經(jīng)元數(shù)目與輸入層具有相同的數(shù)目，而且層與層之間采用全連接形式，所需參數(shù)??非常巨大，無法滿足現(xiàn)實(shí)要求。在卷積層針對(duì)這一缺點(diǎn)，有兩大關(guān)鍵點(diǎn)改進(jìn)：局??部感受野和權(quán)值共享。??局部感受野：??多層感知器ｔｌ７１存在的最大的問題就是，它是一個(gè)全連接的網(wǎng)絡(luò)，因此在輸入??比較大的時(shí)候，權(quán)值會(huì)特別多。分析圖像可知，相鄰區(qū)域內(nèi)圖像像素聯(lián)系較為緊??密，而距離較遠(yuǎn)的像素則聯(lián)系性較弱。所以在使用祌經(jīng)網(wǎng)絡(luò)對(duì)圖像進(jìn)行分析時(shí)，??沒有必要每個(gè)神經(jīng)元對(duì)每個(gè)像素都感知

【參考文獻(xiàn)】：
期刊論文
[1]ReLU激活函數(shù)優(yōu)化研究[J]. 蔣昂波,王維維.  傳感器與微系統(tǒng). 2018(02)
[2]世界衛(wèi)生組織發(fā)布全球道路交通安全簡報(bào)[J].   勞動(dòng)保護(hù). 2017(06)
[3]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)
[4]基于OpenCV的仿射變換研究與應(yīng)用[J]. 管焱然,管有慶.  計(jì)算機(jī)技術(shù)與發(fā)展. 2016(12)
[5]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 李彥冬,郝宗波,雷航.  計(jì)算機(jī)應(yīng)用. 2016(09)
[6]深度信念網(wǎng)絡(luò)研究綜述[J]. 丁美昆,徐昱琳,蔣財(cái)軍.  工業(yè)控制計(jì)算機(jī). 2016(04)
[7]基于類Haar算法的車輛識(shí)別技術(shù)研究[J]. 王子劍,周聲靈.  科技廣場. 2015(07)
[8]基于假設(shè)驗(yàn)證和改進(jìn)HOG特征的前車檢測算法[J]. 張楚金,王耀南,盧笑,王珂娜,王國峰.  電子測量與儀器學(xué)報(bào). 2015(02)
[9]圖像物體分類與檢測算法綜述[J]. 黃凱奇,任偉強(qiáng),譚鐵牛.  計(jì)算機(jī)學(xué)報(bào). 2014(06)
[10]AdaBoost算法研究進(jìn)展與展望[J]. 曹瑩,苗啟廣,劉家辰,高琳.  自動(dòng)化學(xué)報(bào). 2013(06)

碩士論文
[1]自然場景中物體識(shí)別算法研究[D]. 胡耀.華南理工大學(xué) 2016
[2]基于深度卷積神經(jīng)網(wǎng)絡(luò)的室外場景理解研究[D]. 文俊.杭州電子科技大學(xué) 2016



本文編號(hào)：3455268