道路交通環(huán)境涉及的多目標檢測技術主要是檢測各種道路交通環(huán)境中采集的圖像或者視頻里的車輛和行人等,使用機器學習和深度學習的技術來實現(xiàn)高效的檢測識別。該技術是近年來理論研究和實踐過程中人們討論的熱點,并廣泛應用于車輛的駕駛輔助系統(tǒng),無人駕駛等領域。然而道路交通環(huán)境非常復雜,需要檢測的車輛和行人等障礙物很容易受到各種隨機因素的干擾,因此多目標檢測技術的研究仍然有很長的路要走。最近幾年深度學習獲得前所未有的發(fā)展,所以基于深度學習的道路場景車輛行人的檢測算法相應地被提出。該算法的參數(shù)優(yōu)化主要和所需訓練數(shù)據(jù)有關,具體做法是把所使用數(shù)據(jù)集里的訓練數(shù)據(jù)以及對應的標簽作為卷積神經(jīng)網(wǎng)絡的輸入來進行訓練,獲得訓練模型以后使用數(shù)據(jù)集中的測試數(shù)據(jù)在訓練模型中獲得預測數(shù)據(jù),并和測試數(shù)據(jù)的標簽作比較。除此之外多傳感器融合的手段可以彌補單一數(shù)據(jù)的不足,從而使檢測準確率有所提升。所以本文基于深度學習算法和多傳感器數(shù)據(jù)融合策略對道路車輛和行人的檢測進行研究。（1）基于卷積神經(jīng)網(wǎng)絡Resnet搭建融合多元數(shù)據(jù)的卷積網(wǎng)絡,將多傳感器采集的數(shù)據(jù)進行融合,該結構充分考慮RGB圖像和深度圖像的獨立性和相關性,由于兩個卷積網(wǎng)絡的結構... 

【文章來源】：燕山大學河北省

【文章頁數(shù)】：83 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 傳統(tǒng)基于人工特征的目標檢測
        1.2.2 基于深度學習的目標檢測
    1.3 本文的主要研究內(nèi)容
        1.3.1 本文的研究內(nèi)容
        1.3.2 本文的組織結構
第2章 卷積神經(jīng)網(wǎng)絡概述
    2.1 神經(jīng)網(wǎng)絡輸入數(shù)據(jù)
        2.1.1 彩色圖像
        2.1.2 深度圖像
    2.2 人工神經(jīng)網(wǎng)絡
        2.2.1 感知器單元
        2.2.2 前饋神經(jīng)網(wǎng)絡
        2.2.3 反向傳播算法
    2.3 卷積神經(jīng)網(wǎng)絡VGG
        2.3.1 卷積層
        2.3.2 池化層
        2.3.3 全連接層
        2.3.4 損失函數(shù)
    2.4 梯度下降與正則化方法
        2.4.1 隨機梯度下降
        2.4.2 正則化
    2.5 本章小結
第3章 多元融合分類網(wǎng)絡的構建與優(yōu)化
    3.1 引言
    3.2 殘差網(wǎng)絡原理
    3.3 融合網(wǎng)絡搭建
    3.4 參數(shù)優(yōu)化
        3.4.1 特征可視化
        3.4.2 dropout優(yōu)化
        3.4.3 批規(guī)范化
    3.5 網(wǎng)絡訓練
        3.5.1 實驗數(shù)據(jù)準備
        3.5.2 數(shù)據(jù)預處理
        3.5.3 模型訓練參數(shù)設置
        3.5.4 結果與分析
    3.6 本章小結
第4章 改進SSD檢測算法的構建與訓練
    4.1 目標檢測算法介紹
        4.1.1 Faster R-CNN
        4.1.2 YOLO
        4.1.3 SSD目標檢測基本原理
    4.2 改進SSD模型構建
    4.3 網(wǎng)絡模型訓練
        4.3.1 訓練目標函數(shù)
        4.3.2 默認邊界框和高寬比
        4.3.3 正負樣本比例
        4.3.4 模型訓練框架
    4.4 本章小結
第5章 實驗結果與分析
    5.1 實驗環(huán)境搭建
    5.2 KITTI數(shù)據(jù)集與評價標準
    5.3 檢測結果與評估
    5.4 本章小結
結論
參考文獻
致謝
作者簡介


【參考文獻】：
期刊論文
[1]人工智能綜述[J]. 李玉環(huán).  科技創(chuàng)新導報. 2016(16)
[2]基于卷積神經(jīng)網(wǎng)絡的道路車輛檢測方法[J]. 李琳輝,倫智梅,連靜,袁魯山,周雅夫,麻笑藝.  吉林大學學報(工學版). 2017(02)
[3]中國機動車保有量達2·64億輛[J]. 鄒偉.  廣東交通. 2015 (01)
[4]基于支持向量機的目標檢測算法綜述[J]. 郭明瑋,趙宇宙,項俊平,張陳斌,陳宗海.  控制與決策. 2014(02)
[5]信息融合理論的基本方法與進展（Ⅱ）[J]. 潘泉,王增福,梁彥,楊峰,劉準釓.  控制理論與應用. 2012(10)
[6]基于車牌識別的交通分析應用研究[J]. 林瑜,陳紅潔,肖永來.  中國交通信息產(chǎn)業(yè). 2009(05)
[7]多傳感器融合綜述[J]. 王軍,蘇劍波,席裕庚.  數(shù)據(jù)采集與處理. 2004(01)
[8]機器學習[J]. 劉琴.  武漢工程職業(yè)技術學院學報. 2001(02)
[9]智能交通系統(tǒng)中的計算機視覺技術應用[J]. 郁梅,蔣剛毅,郁伯康.  計算機工程與應用. 2001(10)

碩士論文
[1]基于深度卷積神經(jīng)網(wǎng)絡的小目標檢測[D]. 郭之先.南昌航空大學 2018
[2]基于卷積神經(jīng)網(wǎng)絡圖像分類優(yōu)化算法的研究與驗證[D]. 石琪.北京交通大學 2017
[3]基于深度學習的車牌檢測[D]. 田媛美.西安電子科技大學 2017
[4]基于卷積神經(jīng)網(wǎng)絡的行人檢測方法研究[D]. 劉鍵.哈爾濱工業(yè)大學 2017
[5]基于卷積神經(jīng)網(wǎng)絡的車行環(huán)境多類障礙物檢測與識別[D]. 何春燕.重慶郵電大學 2017
[6]基于深度學習的交通場景多目標檢測[D]. 李珊珊.湖南大學 2017
[7]基于深度學習的機動車檢測與屬性識別研究[D]. 郭少博.中國科學技術大學 2017
[8]基于深度學習的快速目標檢測技術研究[D]. 王震.天津理工大學 2017
[9]基于卷積神經(jīng)網(wǎng)絡的目標檢測與識別方法研究[D]. 王昊.南京財經(jīng)大學 2017
[10]基于PHOG描述算子的手寫數(shù)字識別系統(tǒng)研究與實現(xiàn)[D]. 尹政博.東北師范大學 2016



本文編號：3640357