基于深度学习的车辆行驶前方目标检测

发布时间：2021-04-29 10:37

　　随着时代的发展与科技的进步,乘坐机动车出行已经成为了人们的日常生活方式,伴随而来的智能交通系统成为了各国政府与各大科技公司都争相发展的对象。由于计算机硬件技术的突破性发展,基于深度神经网络的各类算法不再被计算资源所限制,作为智能交通系统其中重要的组成部分,辅助驾驶系统中的目标检测难题成为了当下研究热门领域。辅助驾驶系统中的目标检测问题主要分为目标分类和目标位置检测两个子任务,其普遍的应用场景为车辆前方的道路图像。由于卷积神经网络自身结构在处理图像数据时具有的独特优越性,业界往往使用各类卷积神经网络作为道路目标检测方法,本文从特征提取方式、特征分类与位置回归方式等角度将这些算法进行了分类介绍,并说明了选用YOLO系列算法的优势。为了解决道路前方视频中的目标检测问题,本文采用YOLO-tiny算法对道路前方目标进行检测,但考虑到YOLO-tiny算法在进行目标检测任务时实时性高但检测精度不足的问题,为了同时满足辅助驾驶系统中对于检测算法实时性与准确率的要求,本文针对YOLO-tiny的网络模型进行了重新设计,在加深网络层数的同时引入了 1*1卷积层对网络进行参数简化,使重新设计后的网络能够... 

【文章来源】：电子科技大学四川省 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
第一章 绪论
    1.1 课题研究的背景与意义
    1.2 国内外研究历史与现状
    1.3 本文主要研究内容与创新
    1.4 本文主要章节安排
第二章 目标检测算法介绍
    2.1 传统目标检测方法
        2.1.1 背景差分法
        2.1.2 光流法
    2.2 基于神经网络的目标检测方法
        2.2.1 深度学习与神经网络
        2.2.2 R-CNN模型
        2.2.3 Fast R-CNN模型
        2.2.4 Faster R-CNN模型
        2.2.5 YOLO模型
    2.3 本章小结
第三章 改进的目标检测算法设计与实现
    3.1 YOLO-tiny模型
    3.2 损失函数
    3.3 YOLO-tiny网络结构的改进
    3.4 先验框的重新聚类优化
    3.5 改进后网络的实验结果与分析
    3.6 本章小结
第四章 加入目标跟踪器的融合检测算法设计与实现
    4.1 目标跟踪算法介绍
    4.2 基于改进检测算法的目标跟踪器设计与实现
        4.2.1 目标检测与跟踪的结果匹配
        4.2.2 跟踪算法的实验结果与分析
    4.3 加入目标跟踪器的融合检测算法实验结果与分析
        4.3.1 实验环境介绍
        4.3.2 构建数据集
        4.3.3 训练流程
        4.3.4 测试结果分析
    4.4 本章小结
第五章 工作总结与展望
    5.1 本文工作总结
    5.2 后续展望
致谢
参考文献
攻读硕士学位期间取得的成果


【参考文献】：
期刊论文
[1]基于帧间差分和背景差分的运动目标检测算法[J]. 孙挺,齐迎春,耿国华.  吉林大学学报(工学版). 2016(04)
[2]基于卡尔曼滤波的动目标预测[J]. 严浙平,黄宇峰.  应用科技. 2008(10)
[3]基于遗传程序设计优化神经网络激励函数问题研究[J]. 蒋勇,李淼.  计算机应用与软件. 2008(08)
[4]自适应推广Kalman滤波应用于水下被动目标定位[J]. 高磊,徐德民,任章.  系统工程与电子技术. 2001(05)



本文编号：3167373