發(fā)布時間：2021-06-05 08:19

　　對道路上的多種類目標進行感知、定位和識別,在智能交通、機器人研究、無人駕駛、視頻監(jiān)控等領(lǐng)域都具有較強的學(xué)術(shù)意義和工程意義。由于道路目標繁雜,多種類,不同數(shù)量的道路目標同時出現(xiàn)概率極高,同時由于目標的特征提取受天氣,遮擋等因素的影響較大,因此對于道路上多目標的檢測,分類及定位是一個具有多重挑戰(zhàn)的綜合問題�，F(xiàn)有的深度學(xué)習(xí)目標識別框架主要分為兩種,一種是以Faster R-CNN為代表的基于RPN（候選區(qū)域選擇網(wǎng)絡(luò)）的卷積網(wǎng)絡(luò)框架,識別精度較高,但是識別速度很低。第二種是利用回歸思想,以YOLO網(wǎng)絡(luò)為代表的卷積網(wǎng)絡(luò)框架,識別精度較低,但是處理速度很快。這兩個目標檢測算法基于國外公開數(shù)據(jù)集VOC,COCO等,對我國道路環(huán)境下的常見目標,存在識別不全、不準的情況。針對上述存在的問題,本文在FasterR-CNN和YOLO算法的區(qū)域選擇思想和回歸思想上,對其進行改進并構(gòu)建針對道路多目標檢測的深度卷積網(wǎng)絡(luò)。首先本文對公開數(shù)據(jù)集VOC2007和VOC2012進行擴充,通過網(wǎng)絡(luò)爬蟲和拍攝的方式,對原有的道路目標進行增強,并新增了信號燈等道路目標類別。之后對流行深度學(xué)習(xí)框架進行簡單測評,通過對比選擇Ten... 

【文章來源】：北京交通大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：110 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１－２計算機視覺領(lǐng)域的三類基本任務(wù)??

ＮＶＩＤＩＡ公司所開發(fā)的ＣＵＤＡ及ＣＵＤＮＮ運行套件，極大的加速了??矩陣的計算速度。在Ｇｒａｐｈｉｃｓ?Ｐｒｏｃｅｓｓｉｎｇ?Ｕｎｉｔ?（ＧＰＵ）計算的幫助下，深度神經(jīng)網(wǎng)??絡(luò)發(fā)展迅速。截止至２０１６年，在圖像領(lǐng)域的深度卷積網(wǎng)路的發(fā)展可以由圖１－３來??概括。??Ｃｏｍｂｉｎａｔｉｏｎ，??Ｇｏ?ｄｅｅｐｅｒ?????ｄｅｅｐｅｒ?ｎｅｔ?ａｎｄ??？?ＶＧＧ１６?—＞?ＶＧＧ１９?——？?ＭＳＲＡＮｅｔ?ｆａｓｔｅｒ?ｃｏｎｖｅｒｇｅｎｃｅ??Ｅｎｈａｎｃｅｄ?ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｌａｙｅｒ?ａｂｉｌｉｔｙ?－?ＲｅｓＮｅｔ??ｒｒ??Ｆｒｏｍ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｔｏ?ｄｅｔｅｃｔｉｏｎ??＂?４?—？?ＦｏｓｔＲ－ＣＮＮ?—？?Ｆａｓｔ＾?Ｒ－ＣＮＮ??ｌ＿ｅＮｅｔ?＇）?Ａｄｄ?ｎｅｗ?ｆｕｎｃｔｉｏｎ?ｍｏｄｕｌｅ??ＧＰ＾Ｂｉｇｄａｔａ??＾?ｌｎｃ？ｐｔ？ｏｎ?Ｖ２?ＦＣＮ?ＳＴＮｅｔ?ＣＮＮ＾ＲＮＮ／ＬＳＴＭ??圖１－３深度卷積網(wǎng)絡(luò)的進化歷程??Ｆｉｇｕｒｅ?１－３?Ｅｖｏｌｕｔｉｏｎａｒｙ?ｈｉｓｔｏｒｙ?ｏｆ?ｄｅｅｐ?ｃｏｎｖｏｌｕｔｉｏｎ?ｎｅｔｗｏｒｋｓ??由圖中我們可以看出，卷積神經(jīng)網(wǎng)絡(luò)經(jīng)過三個階段的發(fā)展。第一個階段是的理??論提出階段

在于可以極大加速檢測過程，在ＮＶＩＤＩＡＴＩＴＡＮＸ上可以達到４５ｆｐｓ的處理速度。??但是缺點也比較明顯，對于重疊的物體或小物體，檢測能力較弱。??對于目標檢測算法的性能對比見圖１－４�？梢姡伲希蹋纤惴ê停疲幔螅簦澹�?Ｒ－ＣＮＮ算??法，在實現(xiàn)道路目標檢測任務(wù)上具有較高的高進價值和可行性。??９??

【參考文獻】：
期刊論文
[1]一種基于深度學(xué)習(xí)的新型小目標檢測方法[J]. 陳江昀.  計算機應(yīng)用與軟件. 2017(10)
[2]基于深度學(xué)習(xí)的短時交通流預(yù)測[J]. 羅向龍,焦琴琴,牛力瑤,孫壯文.  計算機應(yīng)用研究. 2017(01)
[3]基于深度學(xué)習(xí)模型的行人檢測研究與仿真[J]. 曾敏,周益龍.  南京郵電大學(xué)學(xué)報(自然科學(xué)版). 2015(06)
[4]深度學(xué)習(xí)研究綜述[J]. 孫志軍,薛磊,許陽明,王正.  計算機應(yīng)用研究. 2012(08)
[5]基于HOG的行人快速檢測[J]. 葉林,陳岳林,林景亮.  計算機工程. 2010(22)

碩士論文
[1]基于深度屬性學(xué)習(xí)的交通標志識別方法研究[D]. 王堅.北京交通大學(xué) 2017
[2]智能交通系統(tǒng)中基于機器視覺的交通流量統(tǒng)計研究[D]. 彭智.電子科技大學(xué) 2016
[3]基于深度卷積神經(jīng)網(wǎng)絡(luò)的室外場景理解研究[D]. 文俊.杭州電子科技大學(xué) 2016
[4]基于深度學(xué)習(xí)的行人檢測[D]. 王斌.北京交通大學(xué) 2015



本文編號：3211797