基于机器学习的交通场景目标检测

发布时间：2021-07-18 10:20

　　在城市化进程的推动下机动车成为广泛应用的移动交通工具,给人们的出行带来了许多便捷。但与之而来的是日趋复杂的交通环境和渐趋严峻的交通安全问题。利用有效的交通场景理解机制,赋予车辆一定的智能,从而协助驾驶员规避安全风险已成为当前降低道路事故发生率的研究热点。在交通场景理解中,对于目标的检测是一个重要的研究方向,目标检测是指在道路交通环境中,指出目标可能存在的位置,提供较为完善的场景信息。由于交通场景复杂,存在许多干扰信息如光照、恶劣天气影响等,完全依靠人工实现目标检测变得较为困难,机器学习作为具有一定自适应性的检测方法,已成为近些年学术界和工业界的关注热点,获得了广泛的应用。基于机器学习的交通场景下目标检测主要有两种研究手段——基于人工设计特征结合机器学习分类器的目标检测方法和基于深度学习的自提取特征的目标检测方法。本文依据上述研究手段,针对交通场景图像中复杂城市环境下的检测效率和泛化性能等问题,分别提出基于机器学习及深度学习的目标检测方法,主要研究内容如下:⑴针对机器学习的目标检测方法,提出了一种基于分层支持向量机的检测方法。通过与背景明显区分的尾灯作为显著特征确定目标,提取尾灯特征并依... 

【文章来源】：太原理工大学山西省 211工程院校

【文章页数】：106 页

【学位级别】：硕士

【部分图文】：

计算机图像的存储方式

基于机器学习的目标检测框架

图像及其三通道直方图

【参考文献】：
期刊论文
[1]基于Adaboost的高分遥感影像自动变化检测方法[J]. 陈伟锋,毛政元,徐伟铭,许锐.  地球信息科学学报. 2018(12)
[2]基于级联微型神经网络的多角度车辆检测方法[J]. 李浩,连捷,王辛岩.  计算机工程与应用. 2018(22)
[3]基于宽度学习方法的多模态信息融合[J]. 贾晨,刘华平,续欣莹,孙富春.  智能系统学报. 2019(01)
[4]基于车前灯的夜间车辆视频检测研究[J]. 柳长源,陈兰萍,Ersoy.  计算机工程与应用. 2019(02)
[5]A Survey on Deep Learning-based Fine-grained Object Classification and Semantic Segmentation[J]. Bo Zhao,Jiashi Feng,Xiao Wu,Shuicheng Yan.  International Journal of Automation and Computing. 2017(02)
[6]交通路口监控视频跨视域多目标跟踪的可视化[J]. 刘彩虹,张磊,黄华.  计算机学报. 2018(01)
[7]车辆尾灯灯语的检测与识别[J]. 田强,孔斌,孙翠敏,王灿.  计算机系统应用. 2015(11)
[8]彩色图像边缘检测研究综述[J]. 杨婷婷,顾梅花,章为川,马蒙蒙.  计算机应用研究. 2015(09)
[9]基于亮度累加直方图的夜间车辆检测算法[J]. 孙晓艳,王健,王建强,郭君斌.  计算机工程. 2013(06)
[10]基于车底阴影的前方运动车辆检测[J]. 齐美彬,潘燕,张银霞.  电子测量与仪器学报. 2012(01)

硕士论文
[1]深度卷积网络中的自适应激活函数研究[D]. 刘华.华南理工大学 2018



本文编号：3289384