隨著中國經(jīng)濟(jì)的發(fā)展,城市車輛保有量逐年增加,導(dǎo)致城市交通壓力日益嚴(yán)峻,由此對(duì)車輛的高級(jí)駕駛輔助系統(tǒng)(ADAS)提出了更多輔助的需求,如燈語識(shí)別。道路中行駛的車輛之間的交流就是依靠約定俗成的燈語進(jìn)行信息交互,因此車尾燈的實(shí)時(shí)檢測(cè)和車尾燈的準(zhǔn)確分類可以減少因駕駛員疏忽尾燈變化而導(dǎo)致的交通事故。ADAS通過車載攝像頭捕捉車輛周圍動(dòng)態(tài)環(huán)境信息,實(shí)現(xiàn)對(duì)視頻中的物體的檢測(cè)識(shí)別,并從檢測(cè)的結(jié)果分析判斷路況,及時(shí)將路況信息通知駕駛員,輔助駕駛員安全行駛,具有重要的研究價(jià)值和廣泛的應(yīng)用場(chǎng)景。然而,在真實(shí)交通環(huán)境中,使用視頻圖像來檢測(cè)車輛與車尾燈區(qū)域,并確定車尾燈的類型仍然是一個(gè)具有挑戰(zhàn)性的難題。國內(nèi)外車尾燈識(shí)別算法的早期研究主要是基于車尾燈的顏色和形狀的特點(diǎn)來檢測(cè)定位車尾燈,并通過統(tǒng)計(jì)學(xué)習(xí)的方法來實(shí)現(xiàn)車尾燈的分類。這類算法的缺點(diǎn)是在自然條件下,如光照強(qiáng)度、天氣變化和拍攝角度等這些因素都會(huì)對(duì)特征提取造成較大影響。因此檢測(cè)和識(shí)別精度相對(duì)較低。隨著深度學(xué)習(xí)方法的興起,卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)提取和學(xué)習(xí)高級(jí)圖像特征大大的提升了目標(biāo)檢測(cè)的準(zhǔn)確率,在一些特定任務(wù)領(lǐng)域已經(jīng)超越人類。但是目前大多數(shù)主流深度卷積網(wǎng)絡(luò)結(jié)構(gòu)都較為復(fù)雜,無法兼顧速度和準(zhǔn)確率,且對(duì)不平衡類,小物體檢測(cè)方面效果不佳,很難實(shí)現(xiàn)在視頻中實(shí)時(shí)分析識(shí)別車輛與車尾燈。針對(duì)現(xiàn)有車輛與車尾燈檢測(cè)算法的實(shí)際應(yīng)用場(chǎng)景分析,本文提出能夠運(yùn)用在復(fù)雜交通場(chǎng)景下的實(shí)時(shí)檢測(cè)識(shí)別方法。論文主要內(nèi)容包括:采集制作真實(shí)道路交通場(chǎng)景數(shù)據(jù)集;采用YOLOv3-tiny網(wǎng)絡(luò)作為檢測(cè)識(shí)別網(wǎng)絡(luò)的基本框架,計(jì)算出符合數(shù)據(jù)集真實(shí)框最佳的先驗(yàn)框尺寸和個(gè)數(shù);增加網(wǎng)絡(luò)的預(yù)測(cè)層數(shù)更好的實(shí)現(xiàn)大中小物體檢測(cè);增加SPP金字塔池化網(wǎng)絡(luò)結(jié)構(gòu),讓訓(xùn)練網(wǎng)絡(luò)隨意變換訓(xùn)練圖片的尺度大小,有效的減少訓(xùn)練過擬合;參考Focal loss損失函數(shù)思想,在分類損失函數(shù)做出改進(jìn),提高不平衡類的分類準(zhǔn)確率。最后根據(jù)本文提出的方法實(shí)驗(yàn)結(jié)果分析,在測(cè)試集上得到了很好的效果,其中剎車燈達(dá)到89.13%AP,左轉(zhuǎn)向燈88.44%AP,右轉(zhuǎn)向燈89.99%AP。通過實(shí)驗(yàn)對(duì)比分析,證明算法可以滿足視頻中檢測(cè)車輛和車尾燈語識(shí)別的實(shí)時(shí)性和連續(xù)檢測(cè)的穩(wěn)定性。
【學(xué)位單位】：廣東工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：U463.6;TP391.41;TP18
【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 國內(nèi)研究現(xiàn)狀
        1.2.2 國外研究現(xiàn)狀
    1.3 論文主要工作和各章節(jié)內(nèi)容安排
    1.4 本章小結(jié)
第二章 尾燈數(shù)據(jù)集和應(yīng)用框架介紹
    2.1 車尾燈語的基本知識(shí)
    2.2 實(shí)驗(yàn)車輛數(shù)據(jù)集格式
    2.3 labelImg圖片標(biāo)注工具
    2.4 Darknet框架
    2.5 本章小結(jié)
第三章 目標(biāo)檢測(cè)方法介紹
    3.1 目標(biāo)檢測(cè)算法綜述
        3.1.1 目標(biāo)檢測(cè)核心任務(wù)
        3.1.2 傳統(tǒng)目標(biāo)檢測(cè)算法總結(jié)
        3.1.3 基于深度學(xué)習(xí)目標(biāo)檢測(cè)算法總結(jié)
    3.2 YOLO系列目標(biāo)檢測(cè)算法介紹
        3.2.1 YOLOv1 算法
        3.2.2 YOLOv2 算法
        3.2.3 YOLOv3 算法
    3.3 本章小結(jié)
第四章 改進(jìn)YOLOv3-tiny算法
    4.1 YOLOv3-tiny增加預(yù)測(cè)層數(shù)
    4.2 基于K-means算法選擇Anchors
        4.2.1 Anchors機(jī)制
        4.2.2 K-means聚類算法計(jì)算車尾燈數(shù)據(jù)集Anchors
    4.3 基于SPP-Net思想改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)
        4.3.1 SPP-Net網(wǎng)絡(luò)結(jié)構(gòu)
        4.3.2 YOLOv3-tiny-SPP層結(jié)構(gòu)
    4.4 基于Focal loss算法改進(jìn)損失函數(shù)
        4.4.1 Focal loss算法
        4.4.2 Focal loss反向求導(dǎo)在YOLOv3 上實(shí)現(xiàn)
    4.5 本章小結(jié)
第五章 實(shí)驗(yàn)分析
    5.1 實(shí)驗(yàn)數(shù)據(jù)集描述
    5.2 實(shí)驗(yàn)與結(jié)果分析
        5.2.1 目標(biāo)檢測(cè)性能參數(shù)介紹
        5.2.2 改進(jìn)YOLOv3-tiny網(wǎng)絡(luò)識(shí)別結(jié)果
        5.2.3 實(shí)驗(yàn)結(jié)果分析
        5.2.4 實(shí)驗(yàn)總結(jié)
    5.3 本章小結(jié)
結(jié)論與展望
    結(jié)論
    展望
參考文獻(xiàn)
攻讀學(xué)位期間發(fā)表論文
致謝

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊丹;張夢(mèng);朱毅;;基于深度學(xué)習(xí)的中文情感分析研究[J];電腦知識(shí)與技術(shù);2019年21期

2 聶敏;;基于動(dòng)態(tài)局部連接網(wǎng)絡(luò)的行人再識(shí)別[J];電腦編程技巧與維護(hù);2018年12期

3 劉芷含;李e

本文編號(hào)：2831385