在智能輔助駕駛和無人駕駛系統(tǒng)中,道路目標的檢測識別是非常重要的。隨著人工智能和深度學(xué)習(xí)的快速發(fā)展,卷積神經(jīng)網(wǎng)絡(luò)在目標檢測識別領(lǐng)域取得了優(yōu)異的成績,基于卷積神經(jīng)網(wǎng)絡(luò)對道路目標進行檢測識別具有重要的研究價值和應(yīng)用價值。行車記錄儀視頻中的圖像包含豐富的道路信息,對視頻中的道路目標進行檢測識別具有重要的研究意義。本文使用深度學(xué)習(xí)的方法對行車記錄儀視頻中的道路目標進行檢測識別,并設(shè)計成安卓應(yīng)用軟件。為了實現(xiàn)這樣一個系統(tǒng),本文的主要工作為:1)在電腦客戶端完成對道路目標的檢測識別,SSD目標檢測框架是使用VGG16網(wǎng)絡(luò)作為骨干網(wǎng)絡(luò)實現(xiàn)對目標的檢測識別。本文使用改進的SSD檢測框架,VGG16網(wǎng)絡(luò)替換為MobileNet網(wǎng)路,訓(xùn)練MobileNet-SSD網(wǎng)絡(luò)模型,實現(xiàn)對目標的檢測識別。本文主要對交通標志、騎車人、行人三類道路目標進行檢測識別,其中交通標志共有105類,本文選取常見的10類進行識別。2)由于行車記錄儀視頻中的圖像比較模糊,清晰度不高,影響了道路目標的識別效果。本文使用Scale-recurrent網(wǎng)絡(luò)對原始圖像進行去模糊處理,并標注去模糊之后的圖片用于網(wǎng)絡(luò)訓(xùn)練,得到新的MobileN... 

【文章來源】：華南理工大學(xué)廣東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：86 頁

【學(xué)位級別】：碩士

【部分圖文】：

LeNet-5網(wǎng)絡(luò)的結(jié)構(gòu)

第二章 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像檢測算法像卷積操作如下圖所示，輸入矩陣大小為 5×5，卷積核的大小為 3×3，步積操作，輸出矩陣大小 3×3。輸入的矩陣為2 1 0 2 39 5 4 2 02 3 4 5 61 2 3 1 00 4 4 2 8 ，卷積核 1 1 1 ，輸出的矩陣為-5 0 1-1 -1 -58 -1 3 。

圖 2-5 下采樣運算過程基于卷積神經(jīng)網(wǎng)絡(luò)的目標檢測算法自從 AlexNet 贏得 2012 年 ImageNet 競賽以來，便引發(fā)了 CNN 在圖像分類應(yīng)用中的，使卷積神經(jīng)網(wǎng)絡(luò)成為圖像分類領(lǐng)域的核心算法。在一個端到端的卷積神經(jīng)網(wǎng)絡(luò)模，實現(xiàn)對目標的特征提取，分類識別。基于卷積神經(jīng)網(wǎng)絡(luò)的目標檢測算法有兩類是基于候選區(qū)域的檢測算法，主要是 RCNN 系列的目標檢測，另外一類是基于回歸測算法，主要是 YOLO、SSD 系列的檢測算法。1 基于候選區(qū)域的檢測算法RCNN區(qū)域卷積神經(jīng)網(wǎng)絡(luò) RCNN[16]（Regions with CNN）融合了卷積神經(jīng)網(wǎng)絡(luò)和目標檢測，

【參考文獻】：
期刊論文
[1]朱佳俊:谷歌自動駕駛技術(shù)最新相關(guān)進展[J]. 劉春曉.  汽車縱橫. 2016(05)
[2]一種基于幀差法與背景減法的運動目標檢測新方法[J]. 高凱亮,覃團發(fā),王逸之,常侃.  電訊技術(shù). 2011(10)
[3]基于局部特征的目標識別技術(shù)研究[J]. 曹健,王武軍,韓飛,劉玉樹.  計算機工程. 2010(10)
[4]一種基于顏色特征的目標識別算法[J]. 楊莉,杜艷紅,隋金雪,郭玉剛.  微計算機信息. 2007(15)
[5]一種快速模板匹配目標識別算法[J]. 王強,宋京民,胡建平,邱忠文.  計算機工程與應(yīng)用. 2000(06)

碩士論文
[1]基于深度學(xué)習(xí)的目標檢測算法研究及應(yīng)用[D]. 萬維.電子科技大學(xué) 2015



本文編號：2964389