智能交通中的目标检测技术研究
发布时间:2021-10-30 09:13
随着汽车的日益普及,城市道路中的机动车数量日益增长,但随之而来的大量交通事故却威胁着人们的生命财产安全。智能交通系统是改善交通系统的重要手段,而目标检测技术是智能交通系统中的重要组成部分。目标检测技术分为基于图像处理的方法和基于深度学习的方法。由于实际的交通环境复杂多变,传统的图像处理方法已经无法满足需求,而随着深度学习的发展与计算机硬件设备性能的进步,基于深度学习的方法已经可以在某些场景中兼顾准确率与实时性,实现实时准确的目标检测。然而,基于深度学习的算法依然存在着不足,例如依赖大规模数据集、小目标检测效果差、某些模型复杂度高难以实时应用等。基于此,本文在总结前人深度学习及目标检测研究成果的基础上,开展了智能交通中的目标检测研究。在交通标志检测的问题上,针对目前交通标志识别准确度低,漏检率高,难以兼顾准确率与实时性的问题,本文以实时性佳的SSD网络为基础,提出基于多层特征融合的交通标志检测算法。本文首先对国际公认的美国LISA交通标志数据集和德国GTSDB数据集进行统计分析,根据交通标志牌的目标尺寸特点改进网络中default box的参数设置,一定程度上解决default box不...
【文章来源】:华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】:64 页
【学位级别】:硕士
【部分图文】:
单层感知机图2-1中输入x分别乘各自的权重并将结果求和,随后会通过一个激活函数评估,
图 2-2 多层感知机网络对应的计算是如式(2-2)所示:(2) (1) (1) (1) (1)1 11 1 12 2 13 3 1(2) (1) (1) (1) (1)2 21 1 22 2 23 3 2(2) (1) (1) (1) (1)3 31 1 32 2 33 3 3(3) (2) (2) (2) (2) (2) (2) (2), 1 11 1 12 2 13 3 1( )( )( )( ) ( )W ba f W x W x W x ba f W x W x W x ba f W x W x W x bh x a f W a W a W a b 展到含有多个隐含层的深度神经网络。的深度学习模型有层叠自动去噪编码机[40]、深度置信网络[41]经网络[42]等,其中,卷积神经网络适用于处理具有类似网格结据和图像数据,在很多应用领域都有优异的表现,尤其是计网络基础
神经网络结构 LeNet-5 并成功将其用于手写数字的识别问题。LeNet-5 沿用了 LeNe随机梯度下降的学习策略并加入了池化层对输入特征进行降维。LeNet-5 及其后基于提出的各种变体定义了后来的卷积神经网络的基本结构,其网络结构中交替出现的卷层-池化层使得卷积神经网络具有平移不变性。LeNet-5 在手写数字识别中取得的成功得卷积神经网络的应用备受关注。2003 年,微软基于卷积神经网络开发了光学字符识(OpticalCharacterRecognition,OCR)系统[47],并将其加入 office2003。卷积神经网络也渐应用到其他图像识别领域,包括人脸识别[48]、手势识别[49]等。卷积神经网络与其他种类神经网络的区别在于,卷积神经网络由多个卷积层和池层叠加组合,用于对输入数据的特征提取。在卷积神经网络的卷积运算操作中,一个经元与下一层的部分神经元相连接,该过程为特征提取的过程;池化层紧接在卷积层后,起到降低特征维度以及适应图像平移和微小形变的作用。相对全连接层,卷积和化也起到了减少模型参数,简化模型复杂度的作用。结构如图 2-3 所示:
【参考文献】:
期刊论文
[1]智能交通系统综述[J]. 赵娜,袁家斌,徐晗. 计算机科学. 2014(11)
[2]交通事故致因中的人为因素分析[J]. 孔令铮. 中国安全科学学报. 2013(01)
[3]世界智能车辆研究概述[J]. 王荣本,李兵,施树明,李斌. 公路交通科技. 2001(05)
博士论文
[1]车牌识别技术的研究和实现[D]. 黄山.四川大学 2005
本文编号:3466465
【文章来源】:华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】:64 页
【学位级别】:硕士
【部分图文】:
单层感知机图2-1中输入x分别乘各自的权重并将结果求和,随后会通过一个激活函数评估,
图 2-2 多层感知机网络对应的计算是如式(2-2)所示:(2) (1) (1) (1) (1)1 11 1 12 2 13 3 1(2) (1) (1) (1) (1)2 21 1 22 2 23 3 2(2) (1) (1) (1) (1)3 31 1 32 2 33 3 3(3) (2) (2) (2) (2) (2) (2) (2), 1 11 1 12 2 13 3 1( )( )( )( ) ( )W ba f W x W x W x ba f W x W x W x ba f W x W x W x bh x a f W a W a W a b 展到含有多个隐含层的深度神经网络。的深度学习模型有层叠自动去噪编码机[40]、深度置信网络[41]经网络[42]等,其中,卷积神经网络适用于处理具有类似网格结据和图像数据,在很多应用领域都有优异的表现,尤其是计网络基础
神经网络结构 LeNet-5 并成功将其用于手写数字的识别问题。LeNet-5 沿用了 LeNe随机梯度下降的学习策略并加入了池化层对输入特征进行降维。LeNet-5 及其后基于提出的各种变体定义了后来的卷积神经网络的基本结构,其网络结构中交替出现的卷层-池化层使得卷积神经网络具有平移不变性。LeNet-5 在手写数字识别中取得的成功得卷积神经网络的应用备受关注。2003 年,微软基于卷积神经网络开发了光学字符识(OpticalCharacterRecognition,OCR)系统[47],并将其加入 office2003。卷积神经网络也渐应用到其他图像识别领域,包括人脸识别[48]、手势识别[49]等。卷积神经网络与其他种类神经网络的区别在于,卷积神经网络由多个卷积层和池层叠加组合,用于对输入数据的特征提取。在卷积神经网络的卷积运算操作中,一个经元与下一层的部分神经元相连接,该过程为特征提取的过程;池化层紧接在卷积层后,起到降低特征维度以及适应图像平移和微小形变的作用。相对全连接层,卷积和化也起到了减少模型参数,简化模型复杂度的作用。结构如图 2-3 所示:
【参考文献】:
期刊论文
[1]智能交通系统综述[J]. 赵娜,袁家斌,徐晗. 计算机科学. 2014(11)
[2]交通事故致因中的人为因素分析[J]. 孔令铮. 中国安全科学学报. 2013(01)
[3]世界智能车辆研究概述[J]. 王荣本,李兵,施树明,李斌. 公路交通科技. 2001(05)
博士论文
[1]车牌识别技术的研究和实现[D]. 黄山.四川大学 2005
本文编号:3466465
本文链接:https://www.wllwen.com/kejilunwen/daoluqiaoliang/3466465.html