基于深度学习的道路场景识别算法研究

发布时间：2021-10-24 12:15

　　汽车在人们日常生活中的使用量日益增多,给人们出行带来了极大的便利,但是与此同时,交通安全问题也日益突出。驾驶员问题是导致交通事故的主要因素,所以各大科研机构希望通过研发自动驾驶技术辅助人为驾驶,以减少由于驾驶员因素引发的交通事故。在实际的道路场景中,由于受天气光照变化、物体遮挡、运动模糊等不利因素的影响,物体识别的准确性和速度对研究者来说是一个重大挑战。本课题基于深度学习算法,设计了一个道路场景识别器,对于道路场景中常见的物体,如行人、车辆、动物和交通标志具有良好的识别效果。本文首先做了大量的数据集的预处理工作,除了简单的人工摄像获取图片外,为了增加数据的数量和多样性,对图片做了放射变换、模糊处理、亮度变换等操作,极大的丰富了数据集图片的数量和多样性;然后采用了ResNet-34网络模型,并对模型进行了网络结构改进,加快了网络训练速度,改进后的网络用于训练交通标志分类模型,最终模型分类的正确率达到96.602%;最后使用SSD+VGG网络、R-FCN+ResNet网络设计了道路场景识别器的总体方案,其中使用SSD算法以VGG网络为基础,识别尺寸较大的物体,如行人、车辆;使用R-FCN算... 

【文章来源】：北方工业大学北京市

【文章页数】：53 页

【学位级别】：硕士

【部分图文】：

图２－１卷积核卷积示意图??

多层感知器ｔｌ７１存在的最大的问题就是，它是一个全连接的网络，因此在输入??比较大的时候，权值会特别多。分析图像可知，相邻区域内图像像素联系较为紧??密，而距离较远的像素则联系性较弱。所以在使用祌经网络对图像进行分析时，??没有必要每个神经元对每个像素都感知，只需对局部相邻像素感知就好，如下图??２－２。然后在深度学习的最后一层使用全连接网络，将之前各个卷积核局部感知??

０?ｉｊ?ｉｊ?〇Ｊ?〇?１．．９－１－１?＼Ｊ．〇ｊ?〇？：??图２－１卷积核卷积示意图??传统神经网络在处理图像时，先把图像像素转化为向量形式，隐含层设置祌??经元数目与输入层具有相同的数目，而且层与层之间采用全连接形式，所需参数??非常巨大，无法满足现实要求。在卷积层针对这一缺点，有两大关键点改进：局??部感受野和权值共享。??局部感受野：??多层感知器ｔｌ７１存在的最大的问题就是，它是一个全连接的网络，因此在输入??比较大的时候，权值会特别多。分析图像可知，相邻区域内图像像素联系较为紧??密，而距离较远的像素则联系性较弱。所以在使用祌经网络对图像进行分析时，??没有必要每个神经元对每个像素都感知

【参考文献】：
期刊论文
[1]ReLU激活函数优化研究[J]. 蒋昂波,王维维.  传感器与微系统. 2018(02)
[2]世界卫生组织发布全球道路交通安全简报[J].   劳动保护. 2017(06)
[3]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)
[4]基于OpenCV的仿射变换研究与应用[J]. 管焱然,管有庆.  计算机技术与发展. 2016(12)
[5]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航.  计算机应用. 2016(09)
[6]深度信念网络研究综述[J]. 丁美昆,徐昱琳,蒋财军.  工业控制计算机. 2016(04)
[7]基于类Haar算法的车辆识别技术研究[J]. 王子剑,周声灵.  科技广场. 2015(07)
[8]基于假设验证和改进HOG特征的前车检测算法[J]. 张楚金,王耀南,卢笑,王珂娜,王国峰.  电子测量与仪器学报. 2015(02)
[9]图像物体分类与检测算法综述[J]. 黄凯奇,任伟强,谭铁牛.  计算机学报. 2014(06)
[10]AdaBoost算法研究进展与展望[J]. 曹莹,苗启广,刘家辰,高琳.  自动化学报. 2013(06)

硕士论文
[1]自然场景中物体识别算法研究[D]. 胡耀.华南理工大学 2016
[2]基于深度卷积神经网络的室外场景理解研究[D]. 文俊.杭州电子科技大学 2016



本文编号：3455268