近幾年由于計算機運算能力的大幅度提高使得計算機視覺在智能交通領(lǐng)域逐漸成為研究熱點,受到中外學者的廣泛關(guān)注,并取得了一定的研究成果。然而,在實際應(yīng)用過程中仍存在很多困難亟需解決。問題主要集中于兩個方面:首先,當計算機視覺技術(shù)主要應(yīng)用于交通監(jiān)管領(lǐng)域,檢測的實時性,由于計算機硬件運算能力的限制,算法本身不能過于復(fù)雜,因此這就與檢測精準性產(chǎn)生了一定的矛盾。其次,交通場景不同于一般的檢測場景,場景中物體種類較多,并且光照、陰影和遮擋等因素都嚴重影響識別準確度和定位精確度。在不影響實時性的條件下如何設(shè)計算法來減小這些因素的影響,提高檢測算法的魯棒性成為研究人員的關(guān)注點。本文致力于通過自建數(shù)據(jù)集,實現(xiàn)道路行車視角下的車輛檢測。首先回顧了國內(nèi)外在目標檢測領(lǐng)域的相關(guān)文獻與研究現(xiàn)狀,對現(xiàn)有的研究成果對比總結(jié),在此基礎(chǔ)上確定了本文的研究目標與研究內(nèi)容。本文研究內(nèi)容主要分為三個部分,首先以卷積神經(jīng)網(wǎng)絡(luò)相關(guān)概念作為切入點,詳細闡述了卷積神經(jīng)網(wǎng)絡(luò)的基本思想、組成部分和參數(shù)訓練原理等內(nèi)容,為之后的YOLOv3檢測模型以及Faster R-CNN檢測模型奠定理論基礎(chǔ)。其次,在上一章節(jié)的理論基礎(chǔ)上實現(xiàn)YOLOv3模型下...

【文章頁數(shù)】：74 頁

【學位級別】：碩士

【部分圖文】：

圖１－１自動駕駛汽車示意圖??Ｆｉｇ．?１－１?Ｄｉａｇｒａｍ?ｏｆ?ａｕｔｏｎｏｍｏｕｓ?ｖｅｈｉｃｌｅｓ??

汽車駕駛的安全性是自動駕駛的重要功能［４１，按照實現(xiàn)方式分為主動安全、被??動安全、危險預(yù)警和汽車防撞四類［５］，障礙物檢測尤其是車輛檢測是實現(xiàn)汽車駕駛??安全最重要最基礎(chǔ)的部分。如圖１－１所示，自動駕駛汽車通過各類傳感器如視覺傳??感器（攝像頭）、激光雷達等感知周圍環(huán)境信息，并....

圖１－２車輛檢測：識別＋定位??Ｆｉｇ．?１－２?Ｖｅｈｉｃｌｅ?ｄｅｔｅｃｔｉｏｎ：?ｒｅｃｏｇｎｉｔｉｏｎ?ａｎｄ?ｌｏｃａｔｉｏｎ??

基于視覺的車輛檢測是一種利用計算機在靜態(tài)圖像或者視頻幀中自動尋找車??輛目標，并判斷車輛目標的位置、大小和置信度的技術(shù)，也即實現(xiàn)車輛目標的識??別和定位。圖１－２展示了車輛檢測的示例，圖中算法實現(xiàn)了對不同大小和長寬比的??車輛目標的成功定位，并給出了相應(yīng)的置信度。??．??圖１－....

圖１－４不同天氣情況下的行車場景??Ｆｉｇ．?１－４?Ｄｒｉｖｉｎｇ?ｓｃｅｎａｒｉｏｓ?ｉｎ?ｄｉｆｆｅｒｅｎｔ?ｗｅａｔｈｅｒ?ｓｉｔｕａｔｉｏｎ??

（Ｃ）高速公路?⑷隧道??圖１－３不同道路情況下的行車場景??Ｆｉｇ．?１－３?Ｄｒｉｖｉｎｇ?ｓｃｅｎａｒｉｏｓ?ｉｎ?ｄｉｆｆｅｒｅｎｔ?ｒｏａｄ?ｓｉｔｕａｔｉｏｎ??圖１＿４展示了不同天氣情況下典型的行車場景，晴天時采集到的圖像質(zhì)量較??高，可以更好的描述圖像特征，但是也....

圖１－３不同道路情況下的行車場景??

圖１－３不同道路情況下的行車場景??Ｆｉｇ．?１－３?Ｄｒｉｖｉｎｇ?ｓｃｅｎａｒｉｏｓ?ｉｎ?ｄｉｆｆｅｒｅｎｔ?ｒｏａｄ?ｓｉｔｕａｔｉｏｎ??圖１＿４展示了不同天氣情況下典型的行車場景，晴天時采集到的圖像質(zhì)量較??高，可以更好的描述圖像特征，但是也會收到陰影、光照變化的影響....

本文編號：3922666