車輛檢測(cè)及碰撞預(yù)警技術(shù)是智能汽車輔助駕駛領(lǐng)域的關(guān)鍵技術(shù)之一,該技術(shù)不僅可以方便人們的出行,還能降低交通事故概率,因此具有重要的研究意義。非結(jié)構(gòu)化道路行車環(huán)境復(fù)雜,基于視覺(jué)的傳統(tǒng)車輛檢測(cè)方法存在獲取預(yù)警信息不足的問(wèn)題,難以在非結(jié)構(gòu)化道路場(chǎng)景下實(shí)現(xiàn)準(zhǔn)確合理的碰撞預(yù)警判斷。因此,針對(duì)非結(jié)構(gòu)化道路行車特點(diǎn),文章采用深度學(xué)習(xí)的方法對(duì)車輛檢測(cè)及碰撞預(yù)警技術(shù)進(jìn)行了進(jìn)一步的研究。首先,基于車輛視角提出了FBS_yolo2車輛檢測(cè)算法,并基于FBS_yolo2算法構(gòu)建了車輛檢測(cè)模型。通過(guò)分析主流的深度學(xué)習(xí)目標(biāo)檢測(cè)算法在車輛檢測(cè)方面的應(yīng)用,確定了YOLOv2算法最適用于車載攝像頭條件下的車輛檢測(cè)。根據(jù)非結(jié)構(gòu)化道路的行駛工況特點(diǎn),定義了一種基于車輛視角的車輛分類方法,并在YOLOv2框架基礎(chǔ)上提出了FBS_yolo2車輛檢測(cè)算法,構(gòu)建了車輛檢測(cè)模型。與傳統(tǒng)的車輛檢測(cè)模型相比,該模型同時(shí)具備車輛檢測(cè)和車輛視角識(shí)別兩項(xiàng)功能,模型難度更高,獲取的預(yù)警信息更充分,更有利于后續(xù)碰撞預(yù)警方法的研究。其次,在非結(jié)構(gòu)化道路場(chǎng)景下提出了基于信息融合的車輛碰撞預(yù)警方法... 

【文章來(lái)源】：武漢理工大學(xué)湖北省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：77 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

技術(shù)路線

10在運(yùn)算過(guò)程中，卷積核先在輸入數(shù)據(jù)體的起始部分與小部分區(qū)域進(jìn)行內(nèi)積運(yùn)算，再與偏置值相加得到輸出數(shù)據(jù)體中的一個(gè)值，然后將卷積核平移固定像素點(diǎn)的距離再次計(jì)算得到一個(gè)值，重復(fù)此操作直到該卷積核與輸入數(shù)據(jù)體的所有區(qū)域均進(jìn)行了計(jì)算，此時(shí)所有輸出的值會(huì)構(gòu)成一個(gè)2維的激活圖（ActivationMap），每個(gè)卷積核都將生成一張激活圖，將該卷積層中所有卷積核進(jìn)行上述操作后即可得到各自的激活圖，最終在深度方向進(jìn)行組合形成完整的輸出數(shù)據(jù)體。采用卷積操作可以捕獲圖像的局部信息。通過(guò)多層卷積層的堆疊，各層提取到的特征逐漸由邊緣、紋理、方向等低級(jí)特征過(guò)度到文字、車輪、人臉等高級(jí)特征。卷積層具有兩大特點(diǎn)，第一個(gè)特點(diǎn)是卷積層中卷積核的連接是非全連接的，一個(gè)卷積核只與部分輸入數(shù)據(jù)體的參數(shù)連接，與之連接的區(qū)域稱為感受野，另一個(gè)特點(diǎn)是同一特征平面的卷積核之間的權(quán)重是共享的。這兩大特點(diǎn)能夠降低卷積神經(jīng)網(wǎng)絡(luò)模型的復(fù)雜度和運(yùn)算量，對(duì)于很難學(xué)習(xí)的深層結(jié)構(gòu)來(lái)說(shuō)具有重大的意義，卷積層特點(diǎn)示意圖如圖2-2所示。（a）感受野（b）權(quán)值共享（c）多卷積核圖2-2卷積層特點(diǎn)示意圖①感受野。神經(jīng)學(xué)家研究發(fā)現(xiàn)，視覺(jué)皮層的一個(gè)神經(jīng)元僅響應(yīng)特定區(qū)域的刺激而非整個(gè)區(qū)域。現(xiàn)實(shí)生活中也不難發(fā)現(xiàn)，圖像的空間聯(lián)系是局部的像素相關(guān)性強(qiáng)而遠(yuǎn)處的像素相關(guān)性弱。因此，在圖像識(shí)別過(guò)程中，每個(gè)卷積核不必對(duì)全局圖像進(jìn)行響應(yīng)，只需像視覺(jué)皮層的神經(jīng)元一樣響應(yīng)局部區(qū)域，然后將局部的反饋信息綜合起來(lái)得到全局的反饋信息。而某個(gè)卷積核的響應(yīng)對(duì)應(yīng)的輸入圖像的區(qū)域就是感受野，如圖2-2（a）所示，它的尺寸大小與卷積核空間尺寸一致。

10在運(yùn)算過(guò)程中，卷積核先在輸入數(shù)據(jù)體的起始部分與小部分區(qū)域進(jìn)行內(nèi)積運(yùn)算，再與偏置值相加得到輸出數(shù)據(jù)體中的一個(gè)值，然后將卷積核平移固定像素點(diǎn)的距離再次計(jì)算得到一個(gè)值，重復(fù)此操作直到該卷積核與輸入數(shù)據(jù)體的所有區(qū)域均進(jìn)行了計(jì)算，此時(shí)所有輸出的值會(huì)構(gòu)成一個(gè)2維的激活圖（ActivationMap），每個(gè)卷積核都將生成一張激活圖，將該卷積層中所有卷積核進(jìn)行上述操作后即可得到各自的激活圖，最終在深度方向進(jìn)行組合形成完整的輸出數(shù)據(jù)體。采用卷積操作可以捕獲圖像的局部信息。通過(guò)多層卷積層的堆疊，各層提取到的特征逐漸由邊緣、紋理、方向等低級(jí)特征過(guò)度到文字、車輪、人臉等高級(jí)特征。卷積層具有兩大特點(diǎn)，第一個(gè)特點(diǎn)是卷積層中卷積核的連接是非全連接的，一個(gè)卷積核只與部分輸入數(shù)據(jù)體的參數(shù)連接，與之連接的區(qū)域稱為感受野，另一個(gè)特點(diǎn)是同一特征平面的卷積核之間的權(quán)重是共享的。這兩大特點(diǎn)能夠降低卷積神經(jīng)網(wǎng)絡(luò)模型的復(fù)雜度和運(yùn)算量，對(duì)于很難學(xué)習(xí)的深層結(jié)構(gòu)來(lái)說(shuō)具有重大的意義，卷積層特點(diǎn)示意圖如圖2-2所示。（a）感受野（b）權(quán)值共享（c）多卷積核圖2-2卷積層特點(diǎn)示意圖①感受野。神經(jīng)學(xué)家研究發(fā)現(xiàn)，視覺(jué)皮層的一個(gè)神經(jīng)元僅響應(yīng)特定區(qū)域的刺激而非整個(gè)區(qū)域�，F(xiàn)實(shí)生活中也不難發(fā)現(xiàn)，圖像的空間聯(lián)系是局部的像素相關(guān)性強(qiáng)而遠(yuǎn)處的像素相關(guān)性弱。因此，在圖像識(shí)別過(guò)程中，每個(gè)卷積核不必對(duì)全局圖像進(jìn)行響應(yīng)，只需像視覺(jué)皮層的神經(jīng)元一樣響應(yīng)局部區(qū)域，然后將局部的反饋信息綜合起來(lái)得到全局的反饋信息。而某個(gè)卷積核的響應(yīng)對(duì)應(yīng)的輸入圖像的區(qū)域就是感受野，如圖2-2（a）所示，它的尺寸大小與卷積核空間尺寸一致。

【參考文獻(xiàn)】：
期刊論文
[1]基于YOLO＿v2模型的車輛實(shí)時(shí)檢測(cè)[J]. 黎洲,黃妙華.  中國(guó)機(jī)械工程. 2018(15)
[2]基于OpenCV的AEB系統(tǒng)車輛檢測(cè)和預(yù)警研究[J]. 楊俊華.  北京汽車. 2018(03)
[3]基于Faster R-CNN的車輛多屬性識(shí)別[J]. 阮航,孫涵.  計(jì)算機(jī)技術(shù)與發(fā)展. 2018(10)
[4]基于YOLO v2的無(wú)人機(jī)航拍圖像定位研究[J]. 魏湧明,全吉成,侯宇青陽(yáng).  激光與光電子學(xué)進(jìn)展. 2017(11)
[5]基于Haar-like和MB-LBP特征分區(qū)域多分類器車輛檢測(cè)[J]. 朱彬,王少平,梁華為,袁勝,楊靜,黃俊杰.  模式識(shí)別與人工智能. 2017(06)
[6]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)
[7]基于YOLO算法的車輛實(shí)時(shí)檢測(cè)[J]. 王宇寧,龐智恒,袁德明.  武漢理工大學(xué)學(xué)報(bào). 2016(10)
[8]一種基于HOG-LBP的高效車輛檢測(cè)方法[J]. 楊先鳳,楊燕.  計(jì)算機(jī)工程. 2014(09)
[9]汽車前碰撞預(yù)警系統(tǒng)ISO 15623標(biāo)準(zhǔn)和NHTSA 26555評(píng)價(jià)規(guī)程對(duì)比試驗(yàn)[J]. 賀錦鵬,馬芳武,劉衛(wèi)國(guó),李博,朱西產(chǎn).  汽車技術(shù). 2014(07)
[10]汽車主動(dòng)避撞系統(tǒng)的安全距離模型和目標(biāo)檢測(cè)算法[J]. 裴曉飛,劉昭度,馬國(guó)成,葉陽(yáng).  汽車安全與節(jié)能學(xué)報(bào). 2012(01)

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的車輛檢測(cè)算法研究[D]. 張鎮(zhèn).北京交通大學(xué) 2018
[2]基于卷積神經(jīng)網(wǎng)絡(luò)圖像分類優(yōu)化算法的研究與驗(yàn)證[D]. 石琪.北京交通大學(xué) 2017
[3]基于智能終端的車輛碰撞預(yù)警系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 劉媛媛.南京理工大學(xué) 2017
[4]基于顯著性和LBP方法的車輛檢測(cè)[D]. 喬廣瑩.吉林大學(xué) 2016
[5]基于視覺(jué)的車輛防碰撞預(yù)警系統(tǒng)算法研究[D]. 洪浩.遼寧工業(yè)大學(xué) 2016
[6]基于HOG和Haar-like融合特征的車輛檢測(cè)[D]. 楊慧.南京郵電大學(xué) 2013



本文編號(hào)：3573550