基于深度学习和注意力机制的车辆灯语检测与识别研究

发布时间：2021-05-07 01:10

　　随着汽车的使用量越来越多,交通安全成了目前智能化城市发展亟待解决的问题之一。根据交通法律法规,车辆在行驶的过程中有一套特定的灯语表示,车辆灯语是行车过程中辅助驾驶决策的一个关键的因素,而在复杂环境中目前已有的检测方法很难自动且准确地识别出前面车辆的灯语语义。因此本论文中提出的车辆灯语检测与识别的方法有很重要的研究意义和应用价值。本文基于深度学习和注意力机制的车辆灯语检测与识别的工作主要有以下四个贡献点:（1）鉴于现有的公开的针对车辆尾灯灯语检测与识别任务的数据集十分稀缺,本文从真实的城市环境中采集大量的行车视频,经过筛选、截断、抽取视频帧、图像标注等流程,首创了一个颇具研究难度的车辆灯语数据集,同时为本文提出的车辆灯语检测与识别方法的验证提供了有力的数据支撑。（2）根据车辆尾灯灯语检测与识别任务本身的特点和数据集在低光照等环境干扰下车辆轮廓不明、灯语表示不清晰的研究难点,本文采用由粗到细的研究思路,设计并搭建了粗糙/全局的注意力模块（Coarse Attention module）,充分利用原始图像的整体信息,能够对被测物体进行粗略的分类和定位。并通过理论推导和在通用数据集的实验证明了... 

【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】：89 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
主要符号表
第一章 绪论
    1.1 研究背景及意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 本文工作
    1.3 本文章节结构
    1.4 本章小结
第二章 国内外研究现状
    2.1 引言
    2.2 车辆灯语检测
    2.3 深度学习基础
        2.3.1 基本思想
        2.3.2 主要理论
        2.3.3 开源框架
    2.4 注意力机制
    2.5 本章小结
第三章 基于深度学习的特定目标检测
    3.1 卷积神经网络
    3.2 特征提取模块
    3.3 分类定位模块
    3.4 预训练模型
        3.4.1 ZF模型
        3.4.2 VGG模型
        3.4.3 ResNet模型
    3.5 实验与分析
        3.5.1 实验条件
        3.5.2 网络优化
        3.5.3 实验结果与分析
    3.6 本章小结
第四章 车辆尾灯灯语数据集的构建
    4.1 现有数据集介绍
        4.1.1 Pascal VOC
        4.1.2 ImageNet
        4.1.3 MS COCO
        4.1.4 BDD100K
        4.1.5 Vehicle-Lights Dataset
    4.2 VLS-Dataset数据集构建
        4.2.1 采集方式
        4.2.2 标注原则
        4.2.3 存储格式
        4.2.4 数据集特点
    4.3 本章小结
第五章 基于Coarse-to-Fine注意力的车辆灯语检测与识别
    5.1 整体框架
    5.2 粗糙/全局注意力模块
    5.3 精细/局部注意力模块
    5.4 算法分析
        5.4.1 Coarse Attention算法可行性分析
        5.4.2 Coarse Attention算法可行性验证
        5.4.3 Fine Attention算法可行性分析
        5.4.4 Fine Attention算法可行性验证
    5.5 实验与分析
        5.5.1 实现细节
        5.5.2 与先进方法的对比
        5.5.3 消融实验
        5.5.4 效果展示
    5.6 本章小结
总结与展望
    本文总结
    工作展望
参考文献
攻读硕士学位期间取得的研究成果
致谢
附件



本文编号：3172946