基于深度学习的交通街景识别
发布时间：2023-01-12 14:52
交通街景作为一种全新的地图服务方式,从推出以来就被给予很高的期望和广泛的关注。交通街景真正实现了“人视角”,为用户提供更加真实、更加丰富的细节地图服务。交通街景中含有丰富的交通信息,分析交通街景中各类街景目标出现的位置及概率具有十分重要的意义。交通街景街景场景中背景复杂多样,且街景中目标种类多种多样,街景中各类目标相互遮挡情况非常普遍,使用传统的街景识别算法,很难做到精确的交通目标分类和交通目标定位任务。由于深度学习算法的成熟和计算机硬件性能的提升,处理交通街景视频或者交通街景图像已经取得了一定的成果,因此基于深度学习方法的交通街景识别成为当前的图像处理的一个主要研究方向。本文主要对基于候选区域的深度学习街景识别算法和基于回归方法的深度学习街景识别算法研究,以及针对实际街景场景中各类目标的分布情况进行研究,重新制作PASCAL VOC与INRIA混合数据集,分别设计与验证这俩类不同算法的运算速度与识别效率。由于本文使用的是PASCAL VOC数据集与INRIA数据集的混合数据集,所以本文使用k-means聚类方法重新确定锚框的大小和数量,通过实验证明其识别效率的明显提升。通过对混合数据...
【文章页数】：62 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 传统的目标识别算法
1.2.2 深度学习在街景目标识别领域的研究
1.2.3 存在的问题
1.2.4 研究现状
1.3 本文主要研究内容及结构安排
2 神经网络
2.1 多层神经网络
2.1.1 多层神经网络概念
2.1.2 前向传播
2.1.3 反向传播
2.2 激活函数
2.3 本章小结
3 街景识别的卷积神经网络算法
3.1 基于区域的网络
3.1.1 RCNN网络
3.1.2 SPP-Net网络
3.1.3 Fast RCNN网络
3.1.4 Faster RCNN
3.2 基于回归的网络
3.2.1 YOLO的网络结构
3.2.2 识别流程
3.2.3 YOLO优缺点分析
3.3 相关评价指标
3.4 本章小结
4 基于深度学习的卷积神经街景识别算法优化
4.1 交通街景识别中目标的特性分析
4.2 YOLO运算速度分析
4.2.1 K-means聚类分析
4.2.2 回归训练过程分析
4.2.3 梯度弥散和过拟合问题
4.3 YOLO网络的改进
4.3.1 基于输入尺度的改进
4.3.2 基于损失函数的改进
4.3.3 全卷积网络实现
4.4 结果分析
4.4.1 实验平台
4.4.2 测试聚类确定最优的anchor
4.4.3 测试横轴候选框扩展的有效性
4.4.4 混合数据集测试
4.4.5 平均交并比测试
4.4.6 识别效率测试
4.4.7 混淆矩阵分析
4.5 本章小结
5 总结与展望
5.1 论文总结
5.2 展望
致谢
参考文献
攻读学位期间的研究成果
【参考文献】：
期刊论文
[1]Toward a K-means clustering approach to adaptive random testing for object-oriented software[J]. Jinfu CHEN,Minmin ZHOU,T H TSE,Tsong Yueh CHEN,Yuchi GUO,Rubing HUANG,Chengying MAO. Science China（Information Sciences）. 2019(11)
[2]基于改进K-means++聚类的多扩展目标跟踪算法[J]. 俞皓芳,孙力帆,付主木. 计算机应用. 2020(01)
[3]实时目标检测算法YOLO的批再规范化处理[J]. 温捷文,战荫伟,凌伟林,郭灿樟. 计算机应用研究. 2018(10)
[4]基于Jetson TK1和深度卷积神经网络的行人检测[J]. 冯帅,张龙,贺小慧. 信息技术. 2017(10)
[5]Contourlet变换和分形维的图像特征提取与识别[J]. 刘欢,肖根福,罗文浪,谭云兰,李金忠. 小型微型计算机系统. 2017(10)
[6]基于深度学习的车辆检测方法[J]. 王德宇,徐友春,李永乐,陆峰,郑凯文. 计算机与现代化. 2017(08)
[7]深度学习在目标视觉检测中的应用进展与展望[J]. 张慧,王坤峰,王飞跃. 自动化学报. 2017(08)
[8]基于YOLO网络的行人检测方法[J]. 高宗,李少波,陈济楠,李政杰. 计算机工程. 2018(05)
[9]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[10]自适应融合目标和背景的图像特征提取方法[J]. 于来行,冯林,张晶,刘胜蓝. 计算机辅助设计与图形学学报. 2016(08)
本文编号：3730042
【文章页数】：62 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 传统的目标识别算法
1.2.2 深度学习在街景目标识别领域的研究
1.2.3 存在的问题
1.2.4 研究现状
1.3 本文主要研究内容及结构安排
2 神经网络
2.1 多层神经网络
2.1.1 多层神经网络概念
2.1.2 前向传播
2.1.3 反向传播
2.2 激活函数
2.3 本章小结
3 街景识别的卷积神经网络算法
3.1 基于区域的网络
3.1.1 RCNN网络
3.1.2 SPP-Net网络
3.1.3 Fast RCNN网络
3.1.4 Faster RCNN
3.2 基于回归的网络
3.2.1 YOLO的网络结构
3.2.2 识别流程
3.2.3 YOLO优缺点分析
3.3 相关评价指标
3.4 本章小结
4 基于深度学习的卷积神经街景识别算法优化
4.1 交通街景识别中目标的特性分析
4.2 YOLO运算速度分析
4.2.1 K-means聚类分析
4.2.2 回归训练过程分析
4.2.3 梯度弥散和过拟合问题
4.3 YOLO网络的改进
4.3.1 基于输入尺度的改进
4.3.2 基于损失函数的改进
4.3.3 全卷积网络实现
4.4 结果分析
4.4.1 实验平台
4.4.2 测试聚类确定最优的anchor
4.4.3 测试横轴候选框扩展的有效性
4.4.4 混合数据集测试
4.4.5 平均交并比测试
4.4.6 识别效率测试
4.4.7 混淆矩阵分析
4.5 本章小结
5 总结与展望
5.1 论文总结
5.2 展望
致谢
参考文献
攻读学位期间的研究成果
【参考文献】：
期刊论文
[1]Toward a K-means clustering approach to adaptive random testing for object-oriented software[J]. Jinfu CHEN,Minmin ZHOU,T H TSE,Tsong Yueh CHEN,Yuchi GUO,Rubing HUANG,Chengying MAO. Science China（Information Sciences）. 2019(11)
[2]基于改进K-means++聚类的多扩展目标跟踪算法[J]. 俞皓芳,孙力帆,付主木. 计算机应用. 2020(01)
[3]实时目标检测算法YOLO的批再规范化处理[J]. 温捷文,战荫伟,凌伟林,郭灿樟. 计算机应用研究. 2018(10)
[4]基于Jetson TK1和深度卷积神经网络的行人检测[J]. 冯帅,张龙,贺小慧. 信息技术. 2017(10)
[5]Contourlet变换和分形维的图像特征提取与识别[J]. 刘欢,肖根福,罗文浪,谭云兰,李金忠. 小型微型计算机系统. 2017(10)
[6]基于深度学习的车辆检测方法[J]. 王德宇,徐友春,李永乐,陆峰,郑凯文. 计算机与现代化. 2017(08)
[7]深度学习在目标视觉检测中的应用进展与展望[J]. 张慧,王坤峰,王飞跃. 自动化学报. 2017(08)
[8]基于YOLO网络的行人检测方法[J]. 高宗,李少波,陈济楠,李政杰. 计算机工程. 2018(05)
[9]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[10]自适应融合目标和背景的图像特征提取方法[J]. 于来行,冯林,张晶,刘胜蓝. 计算机辅助设计与图形学学报. 2016(08)
本文编号：3730042
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3730042.html
