基于卷积神经网络与后融合算法的车辆检测技术研究

发布时间：2021-11-18 23:47

　　车辆检测技术是当前自动驾驶领域与智能交通领域中重要的研究方向。它不但在无人驾驶中起到减少事故发生的作用,同时也在智能交通系统中帮助解决交通运输压力的难题。以车辆检测技术为数据基础的车辆检测后融合技术因为能提高车辆检测精度,同样成为目标检测领域的热门研究方向之一。本文针对国内车辆检测技术准确率较低的问题,提出了基于卷积神经网络和后融合算法的车辆检测技术,旨在提升车辆检测器的检测mAP。本文主要研究内容如下:1)数据集预处理与评价方法制定。针对KITTI数据集中缺少某些类别车辆的问题,制作KITTIplus数据集。针对KITTIplus数据集中类别分布不均衡的问题,提出了数据增强的方法来增加样本量较小类别的数据量。除此之外,本文提出了客观评价方法对网络模型的mAP进行计算,设计了主观评价方法来验证车辆检测器在国内场景实用性。2)基于SSD网络框架的SSD-V车辆检测器设计。包含网络结构设计、损失函数设计和默认框设计。车辆检测网络在KITTIplus上训练时对超参数进行调整以得到相对最优的网络权重。此外,对SSD-V进行客观评价测试得到模型的mAP并保存SSD-V中的车辆检测结果。对检测模型... 

【文章来源】：湖南大学湖南省 211工程院校 985工程院校 教育部直属院校

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题研究背景和意义
    1.2 车辆检测算法研究现状
    1.3 后融合算法研究现状
    1.4 本文主要内容和结构安排
    1.5 本章小结
第2章 数据集预处理与模型评价方法
    2.1 车辆数据集
        2.1.1 KITTI数据集
        2.1.2 Pascal VOC数据集
        2.1.3 KITTIplus数据集
    2.2 车辆数据增强
    2.3 数据格式转换
    2.4 网络模型评价方法
        2.4.1 主观评价方法
        2.4.2 客观评价方法
    2.5 本章小结
第3章 SSD-V车辆检测器设计
    3.1 SSD算法概述
    3.2 SSD-V车辆检测网络设计
        3.2.1 总体结构设计
        3.2.2 默认框设计
        3.2.3 正负样本选取
        3.2.4 数据扩张
        3.2.5 损失函数设计
    3.3 模型训练与超参数设置
        3.3.1 实验环境搭建
        3.3.2 分类网络迁移学习
        3.3.3 网络模型超参数设置与训练
    3.4 网络模型测试
        3.4.1 客观评价结果分析
        3.4.2 主观评价结果分析
    3.5 本章小结
第4章 YOLO-V车辆检测器设计
    4.1 YOLO检测算法概述
        4.1.1 YOLOv1目标检测算法介绍
        4.1.2 YOLOv2目标检测算法介绍
        4.1.3 YOLOv3目标检测算法介绍
    4.2 YOLO-V网络模型设计
        4.2.1 网络结构设计
        4.2.2 多尺度特征提取
        4.2.3 先验框设计
    4.3 网络模型训练与超参数设置
        4.3.1 实验环境
        4.3.2 预训练模型
        4.3.3 网络模型超参数设置
    4.4 车辆检测模型测试
        4.4.1 客观评价测试分析
        4.4.2 主观评价测试分析
    4.5 本章小结
第5章 车辆检测后融合算法设计
    5.1 后融合算法概述
    5.2 ALFA-V后融合算法设计
        5.2.1 ALFA-V概述
        5.2.2 基础目标检测器定义
        5.2.3 预测样本聚类
        5.2.4 类簇类别的预测
        5.2.5 目标定位
    5.3 后融合算法测试
        5.3.1 后融合算法比较对象
        5.3.2 ALFA-V超参数设置
        5.3.3 融合结果
    5.4 融合算法对比分析
    5.5 本章小结
总结与展望
参考文献
附录A 攻读学位期间所发表的学术论文目录
致谢



本文编号：3503865