隨著大數(shù)據(jù)、云計算、移動互聯(lián)網(wǎng)等技術(shù)的迅速發(fā)展,人工智能技術(shù)逐漸成熟,無人駕駛成為可能。自動駕駛技術(shù)不僅可以減輕駕駛員的負擔(dān),更能夠有效減少交通事故的發(fā)生�！盎ヂ�(lián)網(wǎng)+交通”是將互聯(lián)網(wǎng)新技術(shù)應(yīng)用到智能交通領(lǐng)域,使得機器能夠識別車輛、行人、信號燈、交通障礙物等一系列交通目標,從而為智能交通、實現(xiàn)自動駕駛提供基礎(chǔ)設(shè)施。而自動駕駛技術(shù)最重要的一個技術(shù)點就是環(huán)境感知,利用圖像識別技術(shù),感知周邊環(huán)境,檢測道路車輛、障礙物、交通信號燈以及交通標識。近年來,基于視頻圖像的檢測技術(shù)開始發(fā)展起來,該技術(shù)利用圖像采集設(shè)備對檢測目標進行圖像的實時采集,并對采集到的數(shù)據(jù)加以分析。然而,如何能夠提高車輛安全性能,提高交通目標檢測準確率和檢測速度是實現(xiàn)無人駕駛的關(guān)鍵。本文深入研究交通目標特點,以及實現(xiàn)自動駕駛需要的可靠性和實時性特點,針對交通信號燈以及交通障礙物這種特定的交通目標進行分析研究。首先,利用車載攝像頭拍攝的交通道路視頻,收集了多個城市的交通道路圖像,并對圖像進行前期篩選等預(yù)處理工作。其次,對交通信號燈以及交通障礙物共七類交通目標進行人工標注。通過對比傳統(tǒng)交通目標檢測方法以及基于圖像的交通目標檢測方法,本... 

【文章來源】：華北電力大學(xué)(北京)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：52 頁

【學(xué)位級別】：碩士

【圖文】：

圖２－２?ＹＯＬＯ思想模型??每個網(wǎng)格預(yù)測Ｂ個邊界框，和Ｃ個類別概率

檢測目標時，由以下計算公式得到每個網(wǎng)格預(yù)測目標類別的置信度得分。??ｃｏｎｆｉｄｅｎｃｅ?ｘ?Ｐ（ＣｌａｓＳｉ＼Ｏｂｊｅｃｔ）?＝?Ｐ（ＣｌａｓＳｉ）?ｘ?ｌＯＵｐ＾Ｊ１?（２－３）??最后通過非極大值抑制，如圖２－３所示。過濾掉得分低的預(yù)測框，從而確定??預(yù)測目標的最終位置。而置信度得分用來判斷目標所屬類別。??以ＶＯＣ數(shù)據(jù)為例，ＹＯＬＯｖｌ采用７ｘ７網(wǎng)格，每個網(wǎng)格預(yù)測兩個邊界框。因??為ＶＯＣ數(shù)據(jù)集待檢測目標有２０個種類，所以輸出張量為７ｘ７ｘ（２ｘ５＋２０）＝３０，??ＹＯＬＯｖｌ的網(wǎng)絡(luò)模型借鑒了?ＧｏｏｇｌｅＮｅｔ的模型結(jié)構(gòu)，但是與之不同的是，ＹＯＬＯｖｌ??使用?１Ｘ１?和?３ｘ３?的卷積核代替了?ＧｏｏｇｌｅＮｅｔ?的?ｉｎｃｅｐｔｉｏｎｍｏｄｕｌｅ［２８］。??Ｈｉ??，：??圖２－３非極大值抑制??ＹＯＬＯ相比其他基于ＣＮＮ的網(wǎng)絡(luò)模型而言很好地提升了檢測速度，但是由??于ＹＯＬＯｖｌ的檢測機制使得一個網(wǎng)格只能預(yù)測一個目標，此時，如果有兩個物??體同時落入一個網(wǎng)格，就會使得漏檢率比較高，而且一幅圖像只預(yù)測９８個邊界??框

視頻分幀與圖像篩選的總流程是導(dǎo)入視頻，并讀取視頻相關(guān)信息，進行切分??設(shè)置，包括按幀切分、按時間切分、默認切分以及設(shè)置要生成的圖像的大小。視??頻分巾貞流程如圖３－２所不。??（開始）???）?［???導(dǎo)入視頻文件?ｘ???—Ｎ￣？提醒視頻打開失敗??Ｙ??１??計算視頻的總頓數(shù)???＾?［???設(shè)置幀間隔或默認???＇?［???生成圖像???Ｉ???結(jié)束??圖３－２視頻分幀流程圖??將視頻切分成一幀幀的靜態(tài)圖像后，需要對所生成的圖像進行一定規(guī)模的篩??選處理。篩選有效圖片是為了將無效幀抓取的圖像進行刪除，凈化數(shù)據(jù)集。篩選??圖像的要求是將模糊圖像、重復(fù)幀以及受損圖像文件加以踢出，以免對訓(xùn)練模型??質(zhì)量產(chǎn)生不必要的影響。??１８??

【參考文獻】：
期刊論文
[1]改進的YOLOv3紅外視頻圖像行人檢測算法[J]. 王殿偉,何衍輝,李大湘,劉穎,許志杰,王晶.  西安郵電大學(xué)學(xué)報. 2018(04)
[2]基于智能家居場景下人形識別系統(tǒng)的開發(fā)[J]. 田文莎,張娃旦,田由.  科技與創(chuàng)新. 2018(13)
[3]基于改進YOLO的雙模目標識別方法研究[J]. 黃杰軍,呼吁,周斌,明德烈.  計算機與數(shù)字工程. 2018(04)
[4]百度谷歌無人駕駛汽車發(fā)展綜述[J]. 何佳,戎輝,王文揚,田曉笛,高嵩,郭蓬.  汽車電器. 2017(12)
[5]視頻分析技術(shù)在智能交通系統(tǒng)的應(yīng)用研究[J]. 李光磊,陳杰.  中國設(shè)備工程. 2017(22)
[6]基于YOLO v2的無人機航拍圖像定位研究[J]. 魏湧明,全吉成,侯宇青陽.  激光與光電子學(xué)進展. 2017(11)
[7]基于三維激光雷達的車輛目標檢測方法[J]. 蘇致遠,徐友春,李永樂.  軍事交通學(xué)院學(xué)報. 2017(01)
[8]基于YOLO算法的車輛實時檢測[J]. 王宇寧,龐智恒,袁德明.  武漢理工大學(xué)學(xué)報. 2016(10)
[9]“互聯(lián)網(wǎng)+”時代的城市交通變革與發(fā)展[J]. 翟婧彤,王振坡,王麗艷.  城市. 2015(09)
[10]無人駕駛汽車的發(fā)展現(xiàn)狀和展望[J]. 楊帆.  上海汽車. 2014(03)

碩士論文
[1]一種新型分類算法及其在網(wǎng)絡(luò)入侵檢測中的應(yīng)用研究[D]. 張浩.北京郵電大學(xué) 2018
[2]基于分布式深度學(xué)習(xí)的網(wǎng)聯(lián)汽車安全檢測系統(tǒng)的研究與實現(xiàn)[D]. 吳夢飛.北京郵電大學(xué) 2018
[3]絕緣子閃絡(luò)視頻智能分析算法研究[D]. 徐伯誠.北京郵電大學(xué) 2017
[4]自然場景下的矩形交通標志檢測與文本提取算法研究[D]. 李振毛.北京交通大學(xué) 2017
[5]基于圖像識別的智能小車障礙物檢測方法研究[D]. 孫曉峰.昆明理工大學(xué) 2017
[6]道路箭頭標志檢測與識別算法研究[D]. 魏瑾瑜.大連理工大學(xué) 2016
[7]車載視覺系統(tǒng)中障礙物檢測與識別方法研究[D]. 曾麗娜.南京航空航天大學(xué) 2016
[8]基于視頻圖像的運動車輛檢測與跟蹤算法研究[D]. 韓藝.哈爾濱工業(yè)大學(xué) 2015
[9]基于DPM的交通標志檢測算法研究[D]. 李斌.北京交通大學(xué) 2015
[10]低速環(huán)境下的智能車無人駕駛技術(shù)研究[D]. 逄偉.浙江大學(xué) 2015



本文編號：3581930