隨著物質(zhì)生活的極大提升,車輛的普及率迅猛增加,傳統(tǒng)地面交通形式逐漸不能滿足人民的出行需求。汽車自動(dòng)駕駛技術(shù)作為解決交通安全與效率問題的一種重要手段,成為許多機(jī)構(gòu)的研究熱點(diǎn)。汽車自動(dòng)駕駛技術(shù)旨在使汽車在不需要人類干預(yù)下,便能自動(dòng)完成對(duì)環(huán)境的感知與本車運(yùn)動(dòng)的規(guī)劃和控制。車輛檢測與跟蹤是汽車自動(dòng)駕駛技術(shù)的重要組成部分,其在車輛輔助駕駛、危險(xiǎn)報(bào)警和主動(dòng)安全等方面有著很好的應(yīng)用前景。由于在車輛檢測與跟蹤所屬的環(huán)境感知領(lǐng)域?qū)?zhǔn)確性、魯棒性和實(shí)時(shí)性有較高的要求,而異構(gòu)計(jì)算平臺(tái)有著能夠依據(jù)不同計(jì)算資源的計(jì)算特性分配工作負(fù)載,進(jìn)行并行計(jì)算過程的加速和運(yùn)行環(huán)境的優(yōu)化的優(yōu)點(diǎn),因此異構(gòu)計(jì)算平臺(tái)可以在滿足實(shí)時(shí)性要求的前提下,實(shí)現(xiàn)高復(fù)雜度的車輛檢測與跟蹤方案�；诖�,本文分析總結(jié)了目標(biāo)場景對(duì)應(yīng)的圖像特征和分類方法,結(jié)合主流的異構(gòu)計(jì)算平臺(tái)計(jì)算特性,實(shí)現(xiàn)了多種方案并在多種數(shù)據(jù)集對(duì)比分析,并完成實(shí)際部署。完成主要工作如下:1)針對(duì)實(shí)車前向車輛檢測與跟蹤場景中涉及到的數(shù)字圖像技術(shù),討論了多種實(shí)際工況中被檢測目標(biāo)的數(shù)字圖像特征及其基本原理,通過對(duì)比實(shí)驗(yàn)確定了模型使用的特征。2)對(duì)實(shí)驗(yàn)中使用的支持向量機(jī)和深度神經(jīng)網(wǎng)絡(luò)模型的數(shù)... 

【文章頁數(shù)】：77 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號(hào)對(duì)照表
縮略語對(duì)照表
第一章 緒論
    1.1 研究背景
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 自動(dòng)駕駛汽車的環(huán)境感知現(xiàn)狀
        1.2.2 基于視覺的感知現(xiàn)狀
        1.2.3 深度學(xué)習(xí)和其計(jì)算平臺(tái)的現(xiàn)狀
        1.2.4 車輛檢測與跟蹤的現(xiàn)狀
    1.3 論文研究內(nèi)容和結(jié)構(gòu)安排
第二章 特征工程
    2.1 色彩空間
        2.1.1 紅綠藍(lán)色彩空間
        2.1.2 色相飽和度亮度色彩空間
        2.1.3 YCb Cr色彩空間
        2.1.4 色彩空間的選取和對(duì)比
    2.2 顏色直方圖特征
    2.3 方向梯度直方圖(HOG)特征
    2.4 本章小結(jié)
第三章 支持向量機(jī)和卷積神經(jīng)網(wǎng)絡(luò)
    3.1 分類器
    3.2 支持向量機(jī)
        3.2.1 線性可分支持向量機(jī)與硬間隔最大化
        3.2.2 線性可分支持向量機(jī)與軟間隔最大化
        3.2.3 非線性支持向量機(jī)與核函數(shù)
    3.3 多層感知機(jī)
    3.4 卷積神經(jīng)網(wǎng)絡(luò)
        3.4.1 卷積層
        3.4.2 池化層
        3.4.3 邏輯回歸函數(shù)
    3.5 本章小結(jié)
第四章 目標(biāo)檢測與跟蹤方法
    4.1 傳統(tǒng)檢測方法
    4.2 深度學(xué)習(xí)方法
        4.2.1 基于區(qū)域的目標(biāo)檢測方法
        4.2.2 基于回歸的目標(biāo)檢測方法
    4.3 目標(biāo)檢測的一些通用概念
        4.3.1 交并比
        4.3.2 非極大值抑制
    4.4 目標(biāo)跟蹤
    4.5 本章小結(jié)
第五章 基于異構(gòu)計(jì)算平臺(tái)的深度學(xué)習(xí)應(yīng)用研究
    5.1 異構(gòu)計(jì)算平臺(tái)概述
    5.2 CUDA和cu DNN
    5.3 深度學(xué)習(xí)框架的研究
        5.3.1 Tensor Flow
        5.3.2 Keras
        5.3.3 Caffe
    5.4 利用Tensor RT進(jìn)行模型的優(yōu)化和部署
    5.5 本章小結(jié)
第六章 實(shí)驗(yàn)設(shè)計(jì)與分析
    6.1 數(shù)據(jù)集
        6.1.1 自采數(shù)據(jù)集
        6.1.2 公開數(shù)據(jù)集
    6.2 實(shí)驗(yàn)環(huán)境
    6.3 實(shí)驗(yàn)評(píng)價(jià)標(biāo)準(zhǔn)
        6.3.1 識(shí)別精度
        6.3.2 識(shí)別效率
    6.4 實(shí)驗(yàn)過程
        6.4.1 支持向量機(jī)方法
        6.4.2 深度學(xué)習(xí)方法
        6.4.3 模型評(píng)估
    6.5 本章小結(jié)
第七章 總結(jié)與未來的工作
    7.1 總結(jié)
    7.2 未來的工作
參考文獻(xiàn)
致謝
作者簡介



本文編號(hào)：3647189