本文關(guān)鍵詞： 深度卷積神經(jīng)網(wǎng)絡(luò) Faster R-CNN R-FCN SSD 物體檢測　出處：《北方工業(yè)大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：隨著經(jīng)濟的蓬勃發(fā)展,汽車已成為人們出行的主要交通工具。然而,在汽車擁有量迅速增長的同時,交通安全問題也日益突出。其中駕駛員注意力分散和疏忽是導(dǎo)致交通事故的主要因素。汽車車載輔助安全系統(tǒng)能夠發(fā)現(xiàn)車輛周邊潛在風(fēng)險并向駕駛員預(yù)警的有效系統(tǒng)和工具,可有效提高駕駛的安全性,降低駕駛過程的風(fēng)險。自動駕駛技術(shù)是集定位、感知、決策、控制等眾多技術(shù)于一體的復(fù)雜系統(tǒng)。感知系統(tǒng)為自動駕駛或輔助駕駛系統(tǒng)提供了基礎(chǔ)支撐數(shù)據(jù),該系統(tǒng)的有效性成為整個自動駕駛系統(tǒng)有效性的基礎(chǔ)保障。本課題基于深度卷積神經(jīng)網(wǎng)絡(luò)設(shè)計了一個針對道路場景條件下的物體檢測器模型,用于檢測對駕駛系統(tǒng)具有重要價值的目標(biāo)。目前基于深度卷積神經(jīng)網(wǎng)絡(luò)的物體檢測框架分為兩個研究方向。一種是利用區(qū)域推薦方法與深度卷積神經(jīng)網(wǎng)絡(luò)特征提取方法相結(jié)合搭建物體檢測框架;另一種是直接從深度卷積神經(jīng)網(wǎng)絡(luò)中回歸出區(qū)域框和物體識別。本課題將對兩種方法做進一步算法的研究,并討論在不同方法下訓(xùn)練及測試道路場景物體檢測器模型性能。本課題設(shè)計的道路場景物體檢測器利用深度卷積神經(jīng)網(wǎng)絡(luò)的卷積層提取圖像數(shù)據(jù)表面的特征,然后利用區(qū)域框提取算法定位道路場景物體在圖像中的具體位置,再利用卷積層提取的特征識別物體的具體類別。最后將在高性能計算機下訓(xùn)練好的檢測器模型植入嵌入式開發(fā)系統(tǒng),并測試道路場景物體檢測模型對于白天與夜間不同光照環(huán)境下道路物體檢測并獲得較好檢測結(jié)果。對道路場景中的行人檢測精度為83%,對于道路場景中小轎車、公共汽車、摩托車、自行車等各種車輛的檢測平均精度為81%。
[Abstract]:With the rapid development of economy, cars have become the main means of transportation for people to travel. However, with the rapid growth of car ownership, Traffic safety problems are also becoming more and more prominent. Driver distraction and negligence are the main factors leading to traffic accidents. Vehicle aided safety system can detect the potential risk around the vehicle and warn the driver of the effective system and tools. It can effectively improve the safety of driving and reduce the risk of driving process. Autopilot technology is a set of positioning, perception, decision-making, A complex system in which many technologies such as control are integrated. Perceptual systems provide basic support data for autonomous or auxiliary driving systems. The effectiveness of the system becomes the basic guarantee of the effectiveness of the whole autopilot system. This paper designs an object detector model based on the deep convolution neural network. The object detection framework based on deep convolution neural network is divided into two research directions. One is to use the region recommendation method and the feature extraction of deep convolution neural network. The object detection framework is constructed by combining the methods. The other is to regress the region frame and object recognition directly from the deep convolution neural network. It also discusses how to train and test the performance of road scene object detector model under different methods. The road scene object detector designed in this paper uses the convolution layer of deep convolution neural network to extract the feature of image data surface. Then the region frame extraction algorithm is used to locate the specific position of the road scene object in the image. Finally, the detector model trained under the high performance computer is embedded in the embedded development system. The road scene object detection model is tested for road object detection under different light conditions during the day and at night, and good detection results are obtained. The pedestrian detection accuracy in the road scene is 83%, and for cars and buses in the road scene, Motorcycle, bicycle and other vehicles, the average accuracy of the detection is 81.
【學(xué)位授予單位】：北方工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41;TP183

【參考文獻(xiàn)】

相關(guān)期刊論文 前8條

1 孫煒;薛敏;孫天宇;胡夢云;呂云峰;;基于支持向量機優(yōu)化的行人跟蹤學(xué)習(xí)檢測方法[J];湖南大學(xué)學(xué)報(自然科學(xué)版);2016年10期

2 鄭胤;陳權(quán)崎;章毓晉;;深度學(xué)習(xí)及其在目標(biāo)和行為識別中的新進展[J];中國圖象圖形學(xué)報;2014年02期

3 婁路;;基于概率算法自適應(yīng)更新背景的運動車輛檢測[J];計算機工程與應(yīng)用;2012年25期

4 孫志軍;薛磊;許陽明;王正;;深度學(xué)習(xí)研究綜述[J];計算機應(yīng)用研究;2012年08期

5 蘇松志;李紹滋;陳淑媛;蔡國榕;吳云東;;行人檢測技術(shù)綜述[J];電子學(xué)報;2012年04期

6 郭烈;高龍;趙宗艷;;基于車載視覺的行人檢測與跟蹤方法[J];西南交通大學(xué)學(xué)報;2012年01期

7 王春濤;;基于背景差分法和光流法的視頻動態(tài)目標(biāo)檢測與跟蹤[J];軟件導(dǎo)刊;2011年06期

8 龐占中;程麗嬌;張婷玉;;基于不變矩理論及Matlab的平面物體識別[J];工具技術(shù);2010年04期

相關(guān)博士學(xué)位論文 前2條

1 莊家俊;面向汽車輔助駕駛的遠(yuǎn)紅外行人檢測關(guān)鍵技術(shù)研究[D];華南理工大學(xué);2013年

2 寧博;面向行人檢測的動態(tài)視覺詞提取與集成分類方法研究[D];中國科學(xué)技術(shù)大學(xué);2012年

相關(guān)碩士學(xué)位論文 前4條

1 文俊;基于深度卷積神經(jīng)網(wǎng)絡(luò)的室外場景理解研究[D];杭州電子科技大學(xué);2016年

2 張恒亨;基于傳統(tǒng)方法和深度學(xué)習(xí)的圖像精細(xì)分類研究[D];合肥工業(yè)大學(xué);2014年

3 陳益如;基于視覺的行人檢測算法研究及系統(tǒng)設(shè)計[D];浙江大學(xué);2014年

4 陸璐;卷積神經(jīng)網(wǎng)絡(luò)的研究及其在車牌識別系統(tǒng)中的應(yīng)用[D];合肥工業(yè)大學(xué);2006年

，

本文編號：1546794