基于深度学习的车辆前方动态多目标检测模型研究
发布时间：2021-05-10 08:29
目标检测的任务是找出图像中所有感兴趣的目标,并确定它们的位置和类别。在无人驾驶车辆行驶的过程中,快速并准确检测出周围复杂交通场景中的所有潜在危险目标是实现安全驾驶的基础,也是当前无人驾驶技术所需要解决的关键问题之一。本论文结合国家智能网联汽车应用（北方）示范区测试标准中的环境感知模块展开研究,聚焦复杂交通场景下的目标检测技术,以深度学习为研究手段,构建兼顾检测精度与检测速度的车辆前方动态多目标检测模型,主要工作内容如下:1、构建了适用于本文的目标检测模型评价体系。为了探究基于深度学习的目标检测机理,科学评价目标检测模型,本文分析了深度卷积网络的基本工作原理,梳理了目标检测模型的主要评价指标,结合研究内容中所构建模型,对评价指标进行了合理筛选,并确定以同一测试平台下,mAP值结合FPS和Inference20Time作为本文所构建模型的评价体系。2、构建了车辆前方动态多目标检测数据集。为了获得适用于本文的数据集,本文分析并拆解了当前主流的目标检测公开数据集,提取BDD100K数据集中适用于本文的图像数据与标签文件。搭建采集平台,实车采集示范区内测试区图像数据,利用LabelImg进行手工...
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：75 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 国内外目标检测理论研究现状
1.2.2 国内外目标检测应用研究现状
1.3 论文主要研究内容
1.3.1 主要研究内容
1.3.2 论文研究技术路线
1.4 本章小结
第2章 深度学习目标检测算法基础研究
2.1 卷积神经网络基本概念
2.1.1 卷积与池化
2.1.2 激活函数与损失函数
2.1.3 梯度下降与反向传播
2.1.4 批量归一化与群组归一化
2.2 目标检测模型评价指标
2.2.1 PR曲线与mAP
2.2.2 ROC曲线与AUC
2.2.3 交并比
2.2.4 检测速度
2.3 本章小结
第3章 车辆前方动态多目标检测数据集制作
3.1 公开数据集解析
3.1.1 数据集选取
3.1.2 数据标签提取
3.2 ICV-NDZ数据集建立
3.2.1 数据采集
3.2.2 数据标注
3.3 车辆前方动态多目标检测数据集确立
3.3.1 数据集格式统一
3.3.2 数据集构建
3.4 本章小结
第4章 车辆前方动态多目标检测模型训练与优化
4.1 基于深度学习的目标检测算法简述
4.1.1 两阶段检测算法Faster R-CNN
4.1.2 单阶段检测算法YOLOv3
4.2 基于YOLOV3 的车辆前方动态多目标检测模型训练
4.2.1 试验平台环境搭建
4.2.2 数据准备
4.2.3 模型训练
4.2.4 模型评价与测试
4.3 基于YOLOV3 的车辆前方动态多目标检测模型优化
4.3.1 模型优化设计
4.3.2 优化模型训练
4.3.3 优化模型评价与测试
4.4 本章小结
第5章 实车试验
5.1 试验准备
5.2 示范区试验
5.3 校园试验
5.4 本章小结
第6章 总结与展望
6.1 全文总结
6.2 不足与展望
参考文献
作者简介
致谢
【参考文献】：
期刊论文
[1]基于深度学习的道路交通标志多目标实时检测[J]. 刘英璇,伍锡如,雪刚刚. 广西师范大学学报(自然科学版). 2020(02)
[2]我国智能网联汽车测试及示范基地发展现状[J]. 邓晓峰,王润民,徐志刚,刘丁贝. 汽车工业研究. 2019(01)
[3]基于深度学习的车辆检测方法[J]. 杨恺,徐友春,安相璧,李永乐,刘鲲鹏. 计算机与网络. 2018(19)
[4]基于改进SSD的交通大场景多目标检测[J]. 华夏,王新晴,王东,马昭烨,邵发明. 光学学报. 2018(12)
[5]智能视频监控技术在智慧城市中的深入应用[J]. 高旭麟. 中国安防. 2018(07)
[6]智能网联汽车（ICV）技术的发展现状及趋势[J]. 李克强,戴一凡,李升波,边明远. 汽车安全与节能学报. 2017(01)
[7]人工神经网络研究现状及其展望[J]. 朱大奇. 江南大学学报. 2004(01)
博士论文
[1]基于深度学习的行人及骑车人车载图像识别方法[D]. 李晓飞.清华大学 2016
硕士论文
[1]协作驾驶场景下的目标检测应用[D]. 邹雁诗.南京邮电大学 2019
[2]基于深度学习的交通场景多目标检测[D]. 李珊珊.湖南大学 2017
本文编号：3179046
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：75 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 国内外目标检测理论研究现状
1.2.2 国内外目标检测应用研究现状
1.3 论文主要研究内容
1.3.1 主要研究内容
1.3.2 论文研究技术路线
1.4 本章小结
第2章 深度学习目标检测算法基础研究
2.1 卷积神经网络基本概念
2.1.1 卷积与池化
2.1.2 激活函数与损失函数
2.1.3 梯度下降与反向传播
2.1.4 批量归一化与群组归一化
2.2 目标检测模型评价指标
2.2.1 PR曲线与mAP
2.2.2 ROC曲线与AUC
2.2.3 交并比
2.2.4 检测速度
2.3 本章小结
第3章 车辆前方动态多目标检测数据集制作
3.1 公开数据集解析
3.1.1 数据集选取
3.1.2 数据标签提取
3.2 ICV-NDZ数据集建立
3.2.1 数据采集
3.2.2 数据标注
3.3 车辆前方动态多目标检测数据集确立
3.3.1 数据集格式统一
3.3.2 数据集构建
3.4 本章小结
第4章 车辆前方动态多目标检测模型训练与优化
4.1 基于深度学习的目标检测算法简述
4.1.1 两阶段检测算法Faster R-CNN
4.1.2 单阶段检测算法YOLOv3
4.2 基于YOLOV3 的车辆前方动态多目标检测模型训练
4.2.1 试验平台环境搭建
4.2.2 数据准备
4.2.3 模型训练
4.2.4 模型评价与测试
4.3 基于YOLOV3 的车辆前方动态多目标检测模型优化
4.3.1 模型优化设计
4.3.2 优化模型训练
4.3.3 优化模型评价与测试
4.4 本章小结
第5章 实车试验
5.1 试验准备
5.2 示范区试验
5.3 校园试验
5.4 本章小结
第6章 总结与展望
6.1 全文总结
6.2 不足与展望
参考文献
作者简介
致谢
【参考文献】：
期刊论文
[1]基于深度学习的道路交通标志多目标实时检测[J]. 刘英璇,伍锡如,雪刚刚. 广西师范大学学报(自然科学版). 2020(02)
[2]我国智能网联汽车测试及示范基地发展现状[J]. 邓晓峰,王润民,徐志刚,刘丁贝. 汽车工业研究. 2019(01)
[3]基于深度学习的车辆检测方法[J]. 杨恺,徐友春,安相璧,李永乐,刘鲲鹏. 计算机与网络. 2018(19)
[4]基于改进SSD的交通大场景多目标检测[J]. 华夏,王新晴,王东,马昭烨,邵发明. 光学学报. 2018(12)
[5]智能视频监控技术在智慧城市中的深入应用[J]. 高旭麟. 中国安防. 2018(07)
[6]智能网联汽车（ICV）技术的发展现状及趋势[J]. 李克强,戴一凡,李升波,边明远. 汽车安全与节能学报. 2017(01)
[7]人工神经网络研究现状及其展望[J]. 朱大奇. 江南大学学报. 2004(01)
博士论文
[1]基于深度学习的行人及骑车人车载图像识别方法[D]. 李晓飞.清华大学 2016
硕士论文
[1]协作驾驶场景下的目标检测应用[D]. 邹雁诗.南京邮电大学 2019
[2]基于深度学习的交通场景多目标检测[D]. 李珊珊.湖南大学 2017
本文编号：3179046
本文链接：https://www.wllwen.com/kejilunwen/qiche/3179046.html
