近年來,智能交通輔助駕駛領(lǐng)域的發(fā)展尤為迅猛,輔助駕駛技術(shù)能夠有效的保障道路的行車安全、降低交通事故發(fā)生的概率,從一定程度上保障人們的人身安全與財產(chǎn)安全。因此,本文采用多目標(biāo)檢測技術(shù)與多目標(biāo)跟蹤技術(shù),結(jié)合單目視覺測距算法和預(yù)警決策算法完成了自然場景下的車外異常行為識別與預(yù)警系統(tǒng)的設(shè)計和開發(fā),該系統(tǒng)能夠?qū)珳?zhǔn)地、實時地分析和評估路況情況,對危險情況做出及時預(yù)警,并通過實驗證明了該系統(tǒng)具有很高的應(yīng)用價值。本文主要進(jìn)行了以下幾個方面的相關(guān)研究:(1)在多目標(biāo)檢測方面,首先詳細(xì)分析了 YOLO(You Only Look Once)系列目標(biāo)檢測算法的優(yōu)缺點,針對YOLOv3目標(biāo)檢測算法在普通計算平臺上不能進(jìn)行快速檢測的問題,本文提出了基于殘差塊和FCP模塊的RP-YOLO車輛與行人目標(biāo)檢測算法,在Darknet53的網(wǎng)絡(luò)基礎(chǔ)上添加殘差塊形成Darknet65網(wǎng)絡(luò)模型,通過FCP模塊并連接全連接層進(jìn)行類別預(yù)測與位置回歸。通過實驗在數(shù)據(jù)集上驗證了改進(jìn)后的RP-YOLO車輛與行人目標(biāo)檢測算法具有更高的檢測速度,同時滿足目標(biāo)檢測精度的要求;(2)在多目標(biāo)跟蹤方面,首先詳細(xì)分析了 Deep-SORT跟蹤算...

【文章頁數(shù)】：68 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．１?ＹＯＬＯｖｌ模型預(yù)測結(jié)構(gòu)??Ｆｉｇ．?２．１?ＹＯＬＯｖｌ?ｍｏｄｅｌ?ｐｒｅｄｉｃｔｉｏｎ?ｓｔｒｕｃｔｕｒｅ??

所輸出的預(yù)測框，得出最終的目標(biāo)檢測框。??在以上三個步驟中，包含三個關(guān)鍵的核心思想，分別是Ｂｏｕｎｄｉｎｇ?Ｂｏｘ分區(qū)域預(yù)測、??置信度定義以及非極大值抑制算法。??圖＿＿｜??ｐＴｗＷ＾１＇?￣?￣＇；ｉ?Ｂｏｕｎｄｉｎｇ?ｂｏｘｅｓ?＋?ｃｏｎｆｉｄｅｎｃｅ?＼＾０＾＾??￡....

圖２．?２預(yù)測信息的輸出格式??Ｆｉｇ．?２．２?Ｏｕｔｐｕｔ?ｆｏｒｍａｔ?ｏｆ?ｐｒｅｄｉｃｔｉｖｅ?ｉｎｆｏｒｍａｔｉｏｎ??

?基于計算機(jī)視覺的車外異常行為識別與預(yù)警???■■■?ＷＭ??ＩＩ?１?、〇〇＾??貓狗車?ｂｏｕｎｄｉｎｇ?ｂｏｘ１?ｂｏｕｎｄｉｎｇ?ｂｏｘ２??圖２．?２預(yù)測信息的輸出格式??Ｆｉｇ．?２．２?Ｏｕｔｐｕｔ?ｆｏｒｍａｔ?ｏｆ?ｐｒｅｄｉｃｔｉｖｅ?ｉｎｆｏｒｍａｔｉｏｎ?....

圖２．?４?Ａｎｃｈｏｒ?Ｂｏｘ處理過程??Ｆｉｇ．?２．４?Ａｎｃｈｏｒ?Ｂｏｘ?Ｔｒｅａｔｍｅｎｔ?ｐｒｏｃｅｓｓ??

Ｙ０Ｌ０ｖ２為了解決這個問??題，引入了?Ａｎｃｈｏｒ?Ｂｏｘ操作，在對每個子區(qū)域進(jìn)行預(yù)測ＢｏｕｎｄｉｎｇＢｏｘ前，預(yù)設(shè)定一個??子區(qū)域的目標(biāo)原型框，該框與目標(biāo)有相似的特征性狀，通過加入目標(biāo)形狀的先驗知識，??從而在目標(biāo)定位與目標(biāo)大小兩方面提升檢測框的精準(zhǔn)度。采用Ａｎｃｈｏｒ?Ｂ....

圖２．?５?Ｙ０Ｌ０ｖ３結(jié)構(gòu)圖??Ｆｉｇ．?２．５?ＹＯＬＯｖ３?Ｓｔｒｕｃｔｕｒｅ?Ｄｉａｇｒａｍ??在檢測網(wǎng)絡(luò)部分，ＹＯＬＯ層負(fù)責(zé)輸出檢測結(jié)果，包括檢測目標(biāo)的目標(biāo)中心、寬度與??

ｎｃｎｔｅｎａｔｅ?１＾???－ｊ??〇????????＾????Ｘ??Ｅ－??＾?Ｃｏｎｖｏｌｕｔｉｏｉｉａ］?Ｓｅｔ?Ｃ〇Ｔｒｒ，，ａ，?ｆ??士?—?ｎ?一??Ｐｒｅｄｉｃｔ?ｔｗｏ?ｃ〇ｎｖ〇ｉｕｉ？〇ｎａｉ??±???ｊ?ｘ?２?Ｃｏｎｖｏｌｕｔｉｏｎａｌ??Ｕｐ?Ｓａ....

本文編號：3979277