YOLOv3算法在智能交通领域的研究与应用
发布时间：2021-07-19 15:01
目标检测是计算机视觉领域的重要研究课题之一,其核心任务是在静态图像或动态视频中检测出感兴趣的目标对象。在大数据、智能芯片、物联网等技术的推动下,基于深度学习的目标检测模型逐渐取代传统检测模型,并被广泛应用于无人驾驶、视频监控等智能交通领域中。为了实时感知道路环境,及时反馈交通目标信息,为下一步决策提供参考依据,系统需要速度快且精度高的检测模型以完成分类和定位任务。本文将从道路上采集的视频流处理成图像后,输入到Faster R-CNN和YOLOv3两个经典模型中进行检测,并对检测精度和速度进行对比分析,最终选取性能更优的YOLOv3作为智能交通领域的检测算法,并在其基础上展开相关研究工作。本文的主要成果如下:（1）根据本文构建的交通目标数据集特点,应用改进距离度量方式的K-means聚类算法重新生成更符合本文样本尺寸的Anchors（先验框）,并将其分配给对应尺度的预测层,为模型的边框回归提供更精准的位置信息。（2）结合YOLOv3与DenseNet模型的思想,提出基于深度特征融合的检测模型（YOLOv3-Dense）,该模型通过改变YOLOv3前置基础网络Darknet-53中的部分残...
【文章来源】：兰州大学甘肃省 211工程院校 985工程院校 教育部直属院校
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
图２－１四层神经网络结构承意图??ｉｎｕｔｌａｅｒ、（ｈｉｅｎ?ｌａｅｒ．（ｏｕｔｕｔ??
兰州大学硕士研究生学位论文?ＹＯＬ〇Ｖ３算法在智能交通领域的研究与应用??＾?ｗＶＩ??ｗ２＞１?Ｚ１?）??＾ｗ２，２／＜ｖ＾??Ｗ１，３?＾?Ｚ２??图２＿２单层神登网络结构示纛：圈??虽然以此建立起的输入与输出间的函数关系能够满足基本运算，但是由于单??层神经网络面临的异或问题可能使模型的性能发生退化。科学家们又提出给模型??增加计算层的想法，因为两层神经网络不仅能够解决上述问题，而且具有更好的??非线性分类效果，但是复杂模型带来的庞大计算量又成为一太挑战。直到１９８６??年反向传播算法（ＢＰ算法）的出现使此难题取得了实质性突破，也困此引发了??业界对于多层神经网络研宄的热潮。??随着神经网络层数的加深，模型的参数量也在成倍增加，这意味着提取到的??特征更深入，函数的模拟能力更强。以图像为例，假设第一层收集到的是目标的??“边缘”特征，第二层学习的就是由“边缘”构成的“形状”特征，第三层则获??取由“形状”构成的“图案”特征，而最后一层就由“图案”构成完整“目标”，??这种逐层特征学习的方式能提取目标的抽象特征，从而获得更好的分类效果。理??论上网络越深，模型性能越好，但是由于深度神经网络的结构更复杂，参数更多，??也为训练和检测过程增加了难度。??２〇〇６牟Ｈｉｎｔｏｎ在．．《Ｓｃｉｅｎｃｅ》中首次提出．深度信念网络［４５］（Ｄｅｅｐ?Ｂｅｌｉｅｆ?Ｎｅｔｗｏｒｋ，??ＤＢＮ），它是一种既可以用于监督学刃也可以用于非监督学习的多层神经网络。??不同于传统神经网络，该网络架构通过非监督贪婪遂层方法获得网络权值，而且??模型的训练过程包含“预训练”（ｐｒｅ－ｔｒａｉｎｉｎｇ）和“微调”（ｆｉｎｅ－ｔｕｎ
兰州大学硕士研究生学位论文?ＹＯＬ〇Ｖ３算法在智能交通领域的研究与应用??反向？溃而实际上神经网络还包含反馈祌经网络，例如循环神经网络（Ｒｅｃｕｒｒｅｎｔ??Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ，?ＲＮＮ）?［４６］等；》该类网络的内部状态可以描述动态时序行为，能??够处理任意时序的输入序列，因此在语音识别等领域具有广泛应甩。神经网络的??具体分类如图２－３所示：???单层神经网络??Ｐｅｒｃｅｐｔｒｏｎ??前馈神经网络?两层神经网络?￣？！??ＤＮＮ??人工神经网络?＿?｜多层神经网络｜?｜深度信念网络??ＡＮＮ?＾?ＭＬＰ?＿?ＤＢＮ??神经网络?Ｉ?娜術工舰?｜卷积神经网络??Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ?＾?ＣＮＮ??生物神经网络??图２－３神经网络类别示意图??卷积神经网络是多层神经网络中常用于处理图像的网络结构，相较于传统的??图像处理算法，它能够避免人工参与预处理过程，而直接在原始图像上进行操作。??卷积神经网络由输入层、隐藏层和输出层构成，而隐藏屋一般由卷积层、池化层??和全连接层构成，其中卷积层用于提取特征，池化层用于选择特征，全连接层用??于组合特征。一幅图像具有成千上万个像素点，对应在计算机中可以描述为一个??矩阵，卷积神经网络可以利用卷积核的参数共享特性以及层间连接的稀疏性来减??少网络参数，从而实现对于像素的高效学习，因此其图像表征能力十分强大６??从单层神经网络，到两层神经网络，再到多层神经网络，伴随着训练机制的??完善，硬件计算性能的提升以及激活函数调整等优化策略的出现，神经网络历经??漫长的演变后，学习能力愈发强大，能够解决的问题也愈发复杂，己然在人工智??能技术中
【参考文献】：
期刊论文
[1]大数据时代新技术在智能交通中的应用[J]. 赵新勇,李珊珊,夏晓敬. 交通运输研究. 2017(05)
[2]动量梯度下降法训练BP网络[J]. 李智,赵子先,郑君. 内蒙古科技与经济. 2006(12)
本文编号：3290909
【文章来源】：兰州大学甘肃省 211工程院校 985工程院校 教育部直属院校
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
图２－１四层神经网络结构承意图??ｉｎｕｔｌａｅｒ、（ｈｉｅｎ?ｌａｅｒ．（ｏｕｔｕｔ??
兰州大学硕士研究生学位论文?ＹＯＬ〇Ｖ３算法在智能交通领域的研究与应用??＾?ｗＶＩ??ｗ２＞１?Ｚ１?）??＾ｗ２，２／＜ｖ＾??Ｗ１，３?＾?Ｚ２??图２＿２单层神登网络结构示纛：圈??虽然以此建立起的输入与输出间的函数关系能够满足基本运算，但是由于单??层神经网络面临的异或问题可能使模型的性能发生退化。科学家们又提出给模型??增加计算层的想法，因为两层神经网络不仅能够解决上述问题，而且具有更好的??非线性分类效果，但是复杂模型带来的庞大计算量又成为一太挑战。直到１９８６??年反向传播算法（ＢＰ算法）的出现使此难题取得了实质性突破，也困此引发了??业界对于多层神经网络研宄的热潮。??随着神经网络层数的加深，模型的参数量也在成倍增加，这意味着提取到的??特征更深入，函数的模拟能力更强。以图像为例，假设第一层收集到的是目标的??“边缘”特征，第二层学习的就是由“边缘”构成的“形状”特征，第三层则获??取由“形状”构成的“图案”特征，而最后一层就由“图案”构成完整“目标”，??这种逐层特征学习的方式能提取目标的抽象特征，从而获得更好的分类效果。理??论上网络越深，模型性能越好，但是由于深度神经网络的结构更复杂，参数更多，??也为训练和检测过程增加了难度。??２〇〇６牟Ｈｉｎｔｏｎ在．．《Ｓｃｉｅｎｃｅ》中首次提出．深度信念网络［４５］（Ｄｅｅｐ?Ｂｅｌｉｅｆ?Ｎｅｔｗｏｒｋ，??ＤＢＮ），它是一种既可以用于监督学刃也可以用于非监督学习的多层神经网络。??不同于传统神经网络，该网络架构通过非监督贪婪遂层方法获得网络权值，而且??模型的训练过程包含“预训练”（ｐｒｅ－ｔｒａｉｎｉｎｇ）和“微调”（ｆｉｎｅ－ｔｕｎ
兰州大学硕士研究生学位论文?ＹＯＬ〇Ｖ３算法在智能交通领域的研究与应用??反向？溃而实际上神经网络还包含反馈祌经网络，例如循环神经网络（Ｒｅｃｕｒｒｅｎｔ??Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ，?ＲＮＮ）?［４６］等；》该类网络的内部状态可以描述动态时序行为，能??够处理任意时序的输入序列，因此在语音识别等领域具有广泛应甩。神经网络的??具体分类如图２－３所示：???单层神经网络??Ｐｅｒｃｅｐｔｒｏｎ??前馈神经网络?两层神经网络?￣？！??ＤＮＮ??人工神经网络?＿?｜多层神经网络｜?｜深度信念网络??ＡＮＮ?＾?ＭＬＰ?＿?ＤＢＮ??神经网络?Ｉ?娜術工舰?｜卷积神经网络??Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ?＾?ＣＮＮ??生物神经网络??图２－３神经网络类别示意图??卷积神经网络是多层神经网络中常用于处理图像的网络结构，相较于传统的??图像处理算法，它能够避免人工参与预处理过程，而直接在原始图像上进行操作。??卷积神经网络由输入层、隐藏层和输出层构成，而隐藏屋一般由卷积层、池化层??和全连接层构成，其中卷积层用于提取特征，池化层用于选择特征，全连接层用??于组合特征。一幅图像具有成千上万个像素点，对应在计算机中可以描述为一个??矩阵，卷积神经网络可以利用卷积核的参数共享特性以及层间连接的稀疏性来减??少网络参数，从而实现对于像素的高效学习，因此其图像表征能力十分强大６??从单层神经网络，到两层神经网络，再到多层神经网络，伴随着训练机制的??完善，硬件计算性能的提升以及激活函数调整等优化策略的出现，神经网络历经??漫长的演变后，学习能力愈发强大，能够解决的问题也愈发复杂，己然在人工智??能技术中
【参考文献】：
期刊论文
[1]大数据时代新技术在智能交通中的应用[J]. 赵新勇,李珊珊,夏晓敬. 交通运输研究. 2017(05)
[2]动量梯度下降法训练BP网络[J]. 李智,赵子先,郑君. 内蒙古科技与经济. 2006(12)
本文编号：3290909
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3290909.html
