基于YOLOv3的自动驾驶视觉识别方法研究
发布时间：2021-04-14 20:07
近年来,随着人工智能,尤其是深度学习的发展,自动驾驶这项当年只存在于人们幻想中的技术越来越趋近现实。完整意义的自动驾驶离不开先进的软硬件设备的支持。特别是车辆在行驶途中,对于周围物体的“认知”,需要优秀的计算机视觉识别方法的支撑。YOLOv3具有速度快、背景误检率低、泛化能力强等优点,可以满足驾驶过程中需要实时检测的要求,是自动驾驶视觉识别方法的不错选择。但它也存在一些YOLO系列算法的固有问题,例如多目标场景下识别性能不高,存在目标定位准确性问题,以及对于小尺度目标物体检出度不够。本研究的目的是寻求在实际驾驶环境下的高性能实时视觉识别器。因此需要在驾驶场景数据集上进行测试,从而了解识别器的识别特性。并在此基础上加以改进,希望能够提高其性能,提高自动驾驶应用中视觉识别的置信度。原YOLOv3识别器在BDD100K上的平均精度均值为0.423,远低于其在COCO数据集上的平均精度。为此本文首先分析Anchors尺寸对YOLOv3识别性能的影响,通过K-means聚类优选出一组Anchors。然后对YOLOv3的网络结构进行改进,增加一个YOLO头,构造4个YOLO头的网络结构,其在BDD...
【文章来源】：青岛大学山东省
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
013-2018年全国交通事故发生情况汇总分析[1]
青岛大学硕士学位论文3都需要对给定图像进行特征提龋在传统机器学习中，通常利用手动设置特征完成特征提取任务，而在利用深度学习进行处理时，则通过卷积神经网来完成特征抽龋（a）目标检测（b）图像分类图1.2目标检测算法的任务1.2.1传统目标检测算法传统的目标检测方法[13]其过程主要分为三部分：区域选择→特征提鳃分类器。即首先在给定的图像上进行可能包含目标物体的候选区域的选择，然后对这些区域提取特征，最后使用训练获得的分类器进行目标物体类别属性的判定。对于传统的目标检测算法其检测流程如图1.3所示。首先将给定的待检测图片作为输入，采用滑动窗口[14]生成候选框，再对每个候选框中的部分图像进行特征抽取，特征抽取采用计算机视觉中关于图像特征表示的一些方法，常用的方法有基于颜色、纹理或者形状等的方法（主要分为基于手工设计的特征或者基于学习的特征这两大类）。在经过对候选框进行判定后可以得到一系列的可能为当前检测目标的候选框，这些候选框可能存在部分重叠。通过非极大值抑制算法[15]（NMS，Non-MaximumSuppression）对候选框进行筛选，最后输出结果。传统目标检测算法有其自身的局限性，主要体现在以下两个方面：首先，滑动窗口的区域选择策略没有明确的针对性，容易产生非常多的冗余窗口[16]，这会大大的增加了耗时，另外手动设计特征对于多样性的变化不具备较好的鲁棒性。而深度学习的算法将特征提取的部分换成卷积神经网，对候选框内部分特征提取的过程则采用候选区域目标推荐[17]（RPN，RegionProposalNetworks，）网络来完成，极大地提高了检测效率。图1.3传统目标检测算法流程图
青岛大学硕士学位论文3都需要对给定图像进行特征提龋在传统机器学习中，通常利用手动设置特征完成特征提取任务，而在利用深度学习进行处理时，则通过卷积神经网来完成特征抽龋（a）目标检测（b）图像分类图1.2目标检测算法的任务1.2.1传统目标检测算法传统的目标检测方法[13]其过程主要分为三部分：区域选择→特征提鳃分类器。即首先在给定的图像上进行可能包含目标物体的候选区域的选择，然后对这些区域提取特征，最后使用训练获得的分类器进行目标物体类别属性的判定。对于传统的目标检测算法其检测流程如图1.3所示。首先将给定的待检测图片作为输入，采用滑动窗口[14]生成候选框，再对每个候选框中的部分图像进行特征抽取，特征抽取采用计算机视觉中关于图像特征表示的一些方法，常用的方法有基于颜色、纹理或者形状等的方法（主要分为基于手工设计的特征或者基于学习的特征这两大类）。在经过对候选框进行判定后可以得到一系列的可能为当前检测目标的候选框，这些候选框可能存在部分重叠。通过非极大值抑制算法[15]（NMS，Non-MaximumSuppression）对候选框进行筛选，最后输出结果。传统目标检测算法有其自身的局限性，主要体现在以下两个方面：首先，滑动窗口的区域选择策略没有明确的针对性，容易产生非常多的冗余窗口[16]，这会大大的增加了耗时，另外手动设计特征对于多样性的变化不具备较好的鲁棒性。而深度学习的算法将特征提取的部分换成卷积神经网，对候选框内部分特征提取的过程则采用候选区域目标推荐[17]（RPN，RegionProposalNetworks，）网络来完成，极大地提高了检测效率。图1.3传统目标检测算法流程图
【参考文献】：
期刊论文
[1]基于YOLOv3的自动驾驶中运动目标检测[J]. 李云鹏,侯凌燕,王超. 计算机工程与设计. 2019(04)
[2]车辆实时检测研究综述[J]. 卞山峰,张庆辉. 电子质量. 2019(02)
[3]深度学习研究综述[J]. 张荣,李伟平,莫同. 信息与控制. 2018(04)
[4]目标检测算法研究综述[J]. 方路平,何杭江,周国民. 计算机工程与应用. 2018(13)
[5]未成熟芒果的改进YOLOv2识别方法[J]. 薛月菊,黄宁,涂淑琴,毛亮,杨阿庆,朱勋沐,杨晓帆,陈鹏飞. 农业工程学报. 2018(07)
[6]基于深度学习方法的复杂场景下车辆目标检测[J]. 宋焕生,张向清,郑宝峰,严腾. 计算机应用研究. 2018(04)
[7]基于YOLO算法的车辆实时检测[J]. 王宇宁,庞智恒,袁德明. 武汉理工大学学报. 2016(10)
[8]基于计算机视觉的自动驾驶算法研究综述[J]. 张贵英,向函,赵勇. 贵州师范学院学报. 2016(06)
[9]基于三维激光雷达和深度图像的自动驾驶汽车障碍物检测方法[J]. 王新竹,李骏,李红建,尚秉旭. 吉林大学学报(工学版). 2016(02)
硕士论文
[1]基于YOLOv3和多目标跟踪的智能交通视频监控系统[D]. 曾星宇.桂林电子科技大学 2019
[2]区域卷积神经网络在车辆检测中的应用研究[D]. 张鹤鹤.西安理工大学 2018
[3]基于车载视频的道路车辆及行人检测[D]. 唐诗.电子科技大学 2018
[4]基于YOLOv2的实时目标检测研究[D]. 雷维卓.重庆大学 2018
[5]敏感图像识别系统辅助功能的设计与实现[D]. 王鹏.北京交通大学 2018
[6]一个改进的YOLOv3目标识别算法研究[D]. 谭俊.华中科技大学 2018
[7]世界汽车安全性技术法规与标准的研究[D]. 徐大伟.武汉理工大学 2007
本文编号：3137937
【文章来源】：青岛大学山东省
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
013-2018年全国交通事故发生情况汇总分析[1]
青岛大学硕士学位论文3都需要对给定图像进行特征提龋在传统机器学习中，通常利用手动设置特征完成特征提取任务，而在利用深度学习进行处理时，则通过卷积神经网来完成特征抽龋（a）目标检测（b）图像分类图1.2目标检测算法的任务1.2.1传统目标检测算法传统的目标检测方法[13]其过程主要分为三部分：区域选择→特征提鳃分类器。即首先在给定的图像上进行可能包含目标物体的候选区域的选择，然后对这些区域提取特征，最后使用训练获得的分类器进行目标物体类别属性的判定。对于传统的目标检测算法其检测流程如图1.3所示。首先将给定的待检测图片作为输入，采用滑动窗口[14]生成候选框，再对每个候选框中的部分图像进行特征抽取，特征抽取采用计算机视觉中关于图像特征表示的一些方法，常用的方法有基于颜色、纹理或者形状等的方法（主要分为基于手工设计的特征或者基于学习的特征这两大类）。在经过对候选框进行判定后可以得到一系列的可能为当前检测目标的候选框，这些候选框可能存在部分重叠。通过非极大值抑制算法[15]（NMS，Non-MaximumSuppression）对候选框进行筛选，最后输出结果。传统目标检测算法有其自身的局限性，主要体现在以下两个方面：首先，滑动窗口的区域选择策略没有明确的针对性，容易产生非常多的冗余窗口[16]，这会大大的增加了耗时，另外手动设计特征对于多样性的变化不具备较好的鲁棒性。而深度学习的算法将特征提取的部分换成卷积神经网，对候选框内部分特征提取的过程则采用候选区域目标推荐[17]（RPN，RegionProposalNetworks，）网络来完成，极大地提高了检测效率。图1.3传统目标检测算法流程图
青岛大学硕士学位论文3都需要对给定图像进行特征提龋在传统机器学习中，通常利用手动设置特征完成特征提取任务，而在利用深度学习进行处理时，则通过卷积神经网来完成特征抽龋（a）目标检测（b）图像分类图1.2目标检测算法的任务1.2.1传统目标检测算法传统的目标检测方法[13]其过程主要分为三部分：区域选择→特征提鳃分类器。即首先在给定的图像上进行可能包含目标物体的候选区域的选择，然后对这些区域提取特征，最后使用训练获得的分类器进行目标物体类别属性的判定。对于传统的目标检测算法其检测流程如图1.3所示。首先将给定的待检测图片作为输入，采用滑动窗口[14]生成候选框，再对每个候选框中的部分图像进行特征抽取，特征抽取采用计算机视觉中关于图像特征表示的一些方法，常用的方法有基于颜色、纹理或者形状等的方法（主要分为基于手工设计的特征或者基于学习的特征这两大类）。在经过对候选框进行判定后可以得到一系列的可能为当前检测目标的候选框，这些候选框可能存在部分重叠。通过非极大值抑制算法[15]（NMS，Non-MaximumSuppression）对候选框进行筛选，最后输出结果。传统目标检测算法有其自身的局限性，主要体现在以下两个方面：首先，滑动窗口的区域选择策略没有明确的针对性，容易产生非常多的冗余窗口[16]，这会大大的增加了耗时，另外手动设计特征对于多样性的变化不具备较好的鲁棒性。而深度学习的算法将特征提取的部分换成卷积神经网，对候选框内部分特征提取的过程则采用候选区域目标推荐[17]（RPN，RegionProposalNetworks，）网络来完成，极大地提高了检测效率。图1.3传统目标检测算法流程图
【参考文献】：
期刊论文
[1]基于YOLOv3的自动驾驶中运动目标检测[J]. 李云鹏,侯凌燕,王超. 计算机工程与设计. 2019(04)
[2]车辆实时检测研究综述[J]. 卞山峰,张庆辉. 电子质量. 2019(02)
[3]深度学习研究综述[J]. 张荣,李伟平,莫同. 信息与控制. 2018(04)
[4]目标检测算法研究综述[J]. 方路平,何杭江,周国民. 计算机工程与应用. 2018(13)
[5]未成熟芒果的改进YOLOv2识别方法[J]. 薛月菊,黄宁,涂淑琴,毛亮,杨阿庆,朱勋沐,杨晓帆,陈鹏飞. 农业工程学报. 2018(07)
[6]基于深度学习方法的复杂场景下车辆目标检测[J]. 宋焕生,张向清,郑宝峰,严腾. 计算机应用研究. 2018(04)
[7]基于YOLO算法的车辆实时检测[J]. 王宇宁,庞智恒,袁德明. 武汉理工大学学报. 2016(10)
[8]基于计算机视觉的自动驾驶算法研究综述[J]. 张贵英,向函,赵勇. 贵州师范学院学报. 2016(06)
[9]基于三维激光雷达和深度图像的自动驾驶汽车障碍物检测方法[J]. 王新竹,李骏,李红建,尚秉旭. 吉林大学学报(工学版). 2016(02)
硕士论文
[1]基于YOLOv3和多目标跟踪的智能交通视频监控系统[D]. 曾星宇.桂林电子科技大学 2019
[2]区域卷积神经网络在车辆检测中的应用研究[D]. 张鹤鹤.西安理工大学 2018
[3]基于车载视频的道路车辆及行人检测[D]. 唐诗.电子科技大学 2018
[4]基于YOLOv2的实时目标检测研究[D]. 雷维卓.重庆大学 2018
[5]敏感图像识别系统辅助功能的设计与实现[D]. 王鹏.北京交通大学 2018
[6]一个改进的YOLOv3目标识别算法研究[D]. 谭俊.华中科技大学 2018
[7]世界汽车安全性技术法规与标准的研究[D]. 徐大伟.武汉理工大学 2007
本文编号：3137937
本文链接：https://www.wllwen.com/kejilunwen/qiche/3137937.html
