對(duì)道路上的多種類目標(biāo)進(jìn)行感知、定位和識(shí)別,在智能交通、機(jī)器人研究、無人駕駛、視頻監(jiān)控等領(lǐng)域都具有較強(qiáng)的學(xué)術(shù)意義和工程意義。由于道路目標(biāo)繁雜,多種類,不同數(shù)量的道路目標(biāo)同時(shí)出現(xiàn)概率極高,同時(shí)由于目標(biāo)的特征提取受天氣,遮擋等因素的影響較大,因此對(duì)于道路上多目標(biāo)的檢測(cè),分類及定位是一個(gè)具有多重挑戰(zhàn)的綜合問題。現(xiàn)有的深度學(xué)習(xí)目標(biāo)識(shí)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(shí)別精度較高,但是識(shí)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(shí)別精度較低,但是處理速度很快。這兩個(gè)目標(biāo)檢測(cè)算法基于國外公開數(shù)據(jù)集VOC,COCO等,對(duì)我國道路環(huán)境下的常見目標(biāo),存在識(shí)別不全、不準(zhǔn)的情況。針對(duì)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(duì)其進(jìn)行改進(jìn)并構(gòu)建針對(duì)道路多目標(biāo)檢測(cè)的深度卷積網(wǎng)絡(luò)。首先本文對(duì)公開數(shù)據(jù)集VOC2007和VOC2012進(jìn)行擴(kuò)充,通過網(wǎng)絡(luò)爬蟲和拍攝的方式,對(duì)原有的道路目標(biāo)進(jìn)行增強(qiáng),并新增了信號(hào)燈等道路目標(biāo)類別。之后對(duì)流行深度學(xué)習(xí)框架進(jìn)行簡(jiǎn)單測(cè)評(píng),通過對(duì)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(jí)別】：碩士

【部分圖文】：

圖１－２計(jì)算機(jī)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(yùn)行套件，極大的加速了??矩陣的計(jì)算速度。在Ｇｒａｐｈｉｃｓ?Ｐｒｏｃｅｓｓｉｎｇ?Ｕｎｉｔ?（ＧＰＵ）計(jì)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(jìn)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(gè)階段的發(fā)展。第一個(gè)階段是的理??論提出階段

在于可以極大加速檢測(cè)過程，在ＮＶＩＤＩＡＴＩＴＡＮＸ上可以達(dá)到４５ｆｐｓ的處理速度。??但是缺點(diǎn)也比較明顯，對(duì)于重疊的物體或小物體，檢測(cè)能力較弱。??對(duì)于目標(biāo)檢測(cè)算法的性能對(duì)比見圖１－４。可見ＹＯＬＯ算法和Ｆａｓｔｅｒ?Ｒ－ＣＮＮ算??法，在實(shí)現(xiàn)道路目標(biāo)檢測(cè)任務(wù)上具有較高的高進(jìn)價(jià)值和可行性。??９??

【參考文獻(xiàn)】：
期刊論文
[1]一種基于深度學(xué)習(xí)的新型小目標(biāo)檢測(cè)方法[J]. 陳江昀.  計(jì)算機(jī)應(yīng)用與軟件. 2017(10)
[2]基于深度學(xué)習(xí)的短時(shí)交通流預(yù)測(cè)[J]. 羅向龍,焦琴琴,牛力瑤,孫壯文.  計(jì)算機(jī)應(yīng)用研究. 2017(01)
[3]基于深度學(xué)習(xí)模型的行人檢測(cè)研究與仿真[J]. 曾敏,周益龍.  南京郵電大學(xué)學(xué)報(bào)(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(jì)算機(jī)應(yīng)用研究. 2012(08)
[5]基于HOG的行人快速檢測(cè)[J]. 葉林,陳岳林,林景亮.  計(jì)算機(jī)工程. 2010(22)

碩士論文
[1]基于深度屬性學(xué)習(xí)的交通標(biāo)志識(shí)別方法研究[D]. 王堅(jiān).北京交通大學(xué) 2017
[2]智能交通系統(tǒng)中基于機(jī)器視覺的交通流量統(tǒng)計(jì)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(chǎng)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(cè)[D]. 王斌.北京交通大學(xué) 2015



本文編號(hào)：3211797