基于智能手机的行车安全预警系统
发布时间：2020-12-26 20:30
随着汽车技术的发展,现在汽车对人们来说更加方便。然而,大多数交通事故是由于对周围车辆的干扰和驾驶员的疲劳造成的。为了使驾驶环境尽可能安全舒适,先进的行车辅助系统成为智能交通系统研究的重要课题。本文基于Android操作系统的可用性和开放性,在目标检测技术发展较为成熟的背景之下,在Android平台上已经有多例利用深度学习网络帮助识别前方物体的系统,但是仅仅识别是不足以用于实际场景中的实时检测,本文提出一种适用于Android设备运行的行车安全预警系统,并对车辆识别所用的关键技术进行了深入的研究。本文对目前的深度学习目标检测网络进行了研究和对比,选取最适合于本系统的YOLO网络作为目标识别网络。在车辆识别方面,研究了一种结合深度学习YOLO目标识别的方法对图像中的前方车辆进行检测识别,并对单目视觉下的测距做了研究和实验,依据实验的结果以及实际道路的情况将两种测距方法结合使用到车距测量上。对电脑端和手机端的深度学习识别进行了实验和对比,并依据对比结果优化系统流程,采用时间分片的形式将车辆运行过程中的识别结果做延时反馈,然后通过使用基于OpenCV的图像边缘检测算法来实现针对深度学习网络YO...
【文章来源】：南京邮电大学江苏省
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
目标检测发展网络图
声音和文本等数据的机制。14 年加州大学伯克利分校的 Ross B. Girshick 提出了 R-CNN 算法[25]，该算法ecun 在同一时期提出的端到端方法 OverFeat 算法[26]， 其算法结构已成为两个的经典结构。-CNN 检测时的主要步骤为:1）使用选择性搜索算法，从要检测的图像中提取约 2000 个区域候选帧，其中的目标。2）把所有侯选框缩放成固定大小（原文采用 227×227）。3）用深度卷积神经网络提取每个候选框的特征，得到固定长度的特征向量。4）将特征向量发送到 SVM 进行分类，得到类别信息，并发送到完全连接的网得到相应的坐标信息。其过程如图 3.2。
虽然还是需要生成候选框，但是把提取候选框的特征图上做，将 R-CNN 中的使用的多层卷积改变为单络只能接受固定大小的输入图像。为了适应这种图像尺这将导致图像不覆盖整个目标; 缩放图像，这会产生失要固定输入图像的大小，只有第一个完全连接的层需要的权重矩阵是固定大小的，因此其他完全连接的层不需层和第一个完全连接的层之间进行一些处理，将不同大层输入可以解决问题。有特殊能力的空间金字塔池化[27]（Spatial Pyramid poo的特征图上，进行采样获得固定长度向量的输出，这样区域进行特征提取。具体方法是在特征图像区域上执行的网格，以便获得固定长度的输出。图 2.3 是 SPP 操作
【参考文献】：
期刊论文
[1]基于Android环境的屏幕录制技术[J]. 张孟琦. 电子技术与软件工程. 2019(05)
[2]基于Android的通信软件的设计与实现[J]. 郭佳明. 科学技术创新. 2019(08)
[3]基于Android的移动学习平台设计[J]. 马丽. 计算机技术与发展. 2019(06)
[4]Android应用开发课程的设计与实施[J]. 付直兵,于明亮. 软件导刊(教育技术). 2019(02)
[5]基于特征点匹配的视频稳定算法[J]. 马忠雪,穆平安,戴曙光. 包装工程. 2018(21)
[6]基于Canny算子改进的边缘检测算法[J]. 王保军,赵海清,刘超. 科学技术创新. 2018(27)
[7]基于深度学习的目标检测算法综述[J]. 周晓彦,王珂,李凌燕. 电子测量技术. 2017(11)
[8]基于Android智能手机的前方车辆检测系统[J]. 潘安,李必军. 软件导刊. 2016(05)
[9]汽车安全驾驶辅助系统的研究综述[J]. 薛玉斌,王祥,石晶. 黑龙江交通科技. 2016(02)
[10]基于单目视觉的跟驰车辆车距测量方法[J]. 余厚云,张为公. 东南大学学报(自然科学版). 2012(03)
博士论文
[1]基于机器视觉的先进辅助驾驶系统关键技术研究[D]. 范延军.东南大学 2016
硕士论文
[1]基于深度学习的车辆定位及车型识别研究[D]. 张飞云.江苏大学 2016
[2]基于Android平台的前方车辆防碰撞预警系统[D]. 顾宇枫.东南大学 2015
[3]基于机器视觉的车道线识别技术研究[D]. 燕磬.长沙理工大学 2015
[4]基于机器视觉的行车安全预警系统研究与实现[D]. 黄惠迪.东华大学 2015
[5]基于Android移动平台的智能视频监控系统设计[D]. 陈彩莲.天津大学 2012
本文编号：2940409
【文章来源】：南京邮电大学江苏省
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
目标检测发展网络图
声音和文本等数据的机制。14 年加州大学伯克利分校的 Ross B. Girshick 提出了 R-CNN 算法[25]，该算法ecun 在同一时期提出的端到端方法 OverFeat 算法[26]， 其算法结构已成为两个的经典结构。-CNN 检测时的主要步骤为:1）使用选择性搜索算法，从要检测的图像中提取约 2000 个区域候选帧，其中的目标。2）把所有侯选框缩放成固定大小（原文采用 227×227）。3）用深度卷积神经网络提取每个候选框的特征，得到固定长度的特征向量。4）将特征向量发送到 SVM 进行分类，得到类别信息，并发送到完全连接的网得到相应的坐标信息。其过程如图 3.2。
虽然还是需要生成候选框，但是把提取候选框的特征图上做，将 R-CNN 中的使用的多层卷积改变为单络只能接受固定大小的输入图像。为了适应这种图像尺这将导致图像不覆盖整个目标; 缩放图像，这会产生失要固定输入图像的大小，只有第一个完全连接的层需要的权重矩阵是固定大小的，因此其他完全连接的层不需层和第一个完全连接的层之间进行一些处理，将不同大层输入可以解决问题。有特殊能力的空间金字塔池化[27]（Spatial Pyramid poo的特征图上，进行采样获得固定长度向量的输出，这样区域进行特征提取。具体方法是在特征图像区域上执行的网格，以便获得固定长度的输出。图 2.3 是 SPP 操作
【参考文献】：
期刊论文
[1]基于Android环境的屏幕录制技术[J]. 张孟琦. 电子技术与软件工程. 2019(05)
[2]基于Android的通信软件的设计与实现[J]. 郭佳明. 科学技术创新. 2019(08)
[3]基于Android的移动学习平台设计[J]. 马丽. 计算机技术与发展. 2019(06)
[4]Android应用开发课程的设计与实施[J]. 付直兵,于明亮. 软件导刊(教育技术). 2019(02)
[5]基于特征点匹配的视频稳定算法[J]. 马忠雪,穆平安,戴曙光. 包装工程. 2018(21)
[6]基于Canny算子改进的边缘检测算法[J]. 王保军,赵海清,刘超. 科学技术创新. 2018(27)
[7]基于深度学习的目标检测算法综述[J]. 周晓彦,王珂,李凌燕. 电子测量技术. 2017(11)
[8]基于Android智能手机的前方车辆检测系统[J]. 潘安,李必军. 软件导刊. 2016(05)
[9]汽车安全驾驶辅助系统的研究综述[J]. 薛玉斌,王祥,石晶. 黑龙江交通科技. 2016(02)
[10]基于单目视觉的跟驰车辆车距测量方法[J]. 余厚云,张为公. 东南大学学报(自然科学版). 2012(03)
博士论文
[1]基于机器视觉的先进辅助驾驶系统关键技术研究[D]. 范延军.东南大学 2016
硕士论文
[1]基于深度学习的车辆定位及车型识别研究[D]. 张飞云.江苏大学 2016
[2]基于Android平台的前方车辆防碰撞预警系统[D]. 顾宇枫.东南大学 2015
[3]基于机器视觉的车道线识别技术研究[D]. 燕磬.长沙理工大学 2015
[4]基于机器视觉的行车安全预警系统研究与实现[D]. 黄惠迪.东华大学 2015
[5]基于Android移动平台的智能视频监控系统设计[D]. 陈彩莲.天津大学 2012
本文编号：2940409
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/2940409.html
