基于嵌入式系统的车辆目标检测研究
发布时间：2021-11-17 02:11
车辆检测是汽车高级辅助驾驶（ADAS）系统中环境感知的重要组成部分。传统车辆检测一般是在PC机上实现的,随着计算机软、硬件快速提升,深度学习与目标检测算法不断发展,车辆检测也逐渐应用到嵌入式设备上。嵌入式设备具有体积小、价格低、稳定性好等优点,如果在嵌入式设备上实现准确、实时的车辆检测,那么将显著的降低ADAS系统的开发成本。嵌入式设备硬件性能有限,使用的算法有相当大的局限性。近年来,基于深度学习的目标检测算法高速发展,在保证高准确率的情况下实现了高速率检测,但是这些算法不能直接应用到嵌入式设备上。本文针对车辆检测的特点和嵌入式设备这一特定场所,以SSD目标检测网络为基础,结合其他技术改进并创建SSD网络,其次搭建好嵌入式系统软、硬件开发环境,在嵌入式设备上实现车辆检测。首先针对车辆数据的分布和嵌入式设备的特点,对原始SSD网络做出了如下几点改进:用K-Means聚类算法从新设置SSD的区域候选框,使其更加符合车辆数据尺度分布,提高模型的检测精度;在原始SSD损失函数基础上增加排斥损失,提高对相互重叠车辆的检测性能;使用MobileNetV1深度神经网络作为SSD的特征提取网络,在保证...
【文章来源】：重庆交通大学重庆市
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
SSD网络结构图
重庆交通大学硕士学位论文8同检测，用低层分辨率大的特征图检测小目标，深层大感受域的特征图检测大目标，保证不同尺度大小的目标都能得到的检测。图2.1SSD网络结构图SSD网络的特点是去除全连接层，在不同层次的特征图上做检测，用3×3卷积核进行预测，这样每个预测输出只与目标周围和上下文信息有关，避免了背景噪声对检测的影响，同时不同层次的特征图也增加了不同目标尺度的泛化性，这样做更有利于目标检测。图2.2特征图和区域候选框图2.2为SSD不同尺度特征图检测原理，(b)、(c)为8×8和4×4两种特征图相当于将原始图像分别划分成64和16个小格子，在每个小格子上生成一定数量不同尺度、不同宽高比的区域候选框，(a)为SSD训练过程中输入一张每个目标带有标签的图像，从图中可以看出，图像中的小目标猫适合用88特征图检测，图像中大目标狗适合用44特征图检测。对于分辨率为m的特征图，每个特征单元有k个区域候选框，则在该特征图上会产生m×m×k个区域候选框。如果预测的类别数量为c，该特征图会产生(c+4)×m×m×k个输出，其中c*m*m*k表示该特征图输出的类别置信度数量，4*m*m*k表示该特征图预测出的位置坐标数量。训练过程中将区域候选框与真实边框进行匹配，匹配中的作为正样本如图2.2中的红色框和蓝色框，其余均作为负样本。测试时，使用非极大
重庆交通大学硕士学位论文12为网络的总体损失。然后采用SGD策略对网络权重参数进行更新。经过多次迭代，得到权重参数近似梯度为0，相应的权值被认为是网络的最优权值。SSD网络置信度损失函数具体计算式如下：0(,)log()log()NppconfijiiiPosiNegLxcxcc(2.11)exp()exp()ppiipipccc(2.12)（2）SmoothL1损失函数SSD同时要完成物体类别分数预测与位置坐标预测，多任务网络的位置预测即拟合出物体在图像中的坐标，其数学模型及原理如下。如图2.3所示，绿色框为飞机的真实边框（GT），红色为区域候选框，如果网络检测出的的飞机位置为红框，但是从图中可看出红框与飞机真实位置偏差太大，可认为网络没有检测出飞机目标。使用某种手段来修改红框，使得区域候选框与目标真实框更加接近。图2.3真实框和区域候选框图2.4区域候选框、预测框和真实框关系用四维数组(x,y,w,h)确定物体的位置坐标，(x,y)为物体中心，w、h为物体的宽高。如图2.4所示，寻找一种映射关系使得区域候选框A经过变换后成为与物体真实框G相近的预测框G’，该过程就是位置拟合要完成的任务，即对于给定候选框坐标,,,xywhAAAAA，寻找函数f满足："""",,,,,,,,,xywhxywhxywhfAAAAGGGGGGGG。在图2.4中要从A变为"G比较简单的思路就是：先做平移，再做缩放如下式:"xwxxGAdAA(2.13)"yhyyGAdAA(2.14)
本文编号：3500023
【文章来源】：重庆交通大学重庆市
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
SSD网络结构图
重庆交通大学硕士学位论文8同检测，用低层分辨率大的特征图检测小目标，深层大感受域的特征图检测大目标，保证不同尺度大小的目标都能得到的检测。图2.1SSD网络结构图SSD网络的特点是去除全连接层，在不同层次的特征图上做检测，用3×3卷积核进行预测，这样每个预测输出只与目标周围和上下文信息有关，避免了背景噪声对检测的影响，同时不同层次的特征图也增加了不同目标尺度的泛化性，这样做更有利于目标检测。图2.2特征图和区域候选框图2.2为SSD不同尺度特征图检测原理，(b)、(c)为8×8和4×4两种特征图相当于将原始图像分别划分成64和16个小格子，在每个小格子上生成一定数量不同尺度、不同宽高比的区域候选框，(a)为SSD训练过程中输入一张每个目标带有标签的图像，从图中可以看出，图像中的小目标猫适合用88特征图检测，图像中大目标狗适合用44特征图检测。对于分辨率为m的特征图，每个特征单元有k个区域候选框，则在该特征图上会产生m×m×k个区域候选框。如果预测的类别数量为c，该特征图会产生(c+4)×m×m×k个输出，其中c*m*m*k表示该特征图输出的类别置信度数量，4*m*m*k表示该特征图预测出的位置坐标数量。训练过程中将区域候选框与真实边框进行匹配，匹配中的作为正样本如图2.2中的红色框和蓝色框，其余均作为负样本。测试时，使用非极大
重庆交通大学硕士学位论文12为网络的总体损失。然后采用SGD策略对网络权重参数进行更新。经过多次迭代，得到权重参数近似梯度为0，相应的权值被认为是网络的最优权值。SSD网络置信度损失函数具体计算式如下：0(,)log()log()NppconfijiiiPosiNegLxcxcc(2.11)exp()exp()ppiipipccc(2.12)（2）SmoothL1损失函数SSD同时要完成物体类别分数预测与位置坐标预测，多任务网络的位置预测即拟合出物体在图像中的坐标，其数学模型及原理如下。如图2.3所示，绿色框为飞机的真实边框（GT），红色为区域候选框，如果网络检测出的的飞机位置为红框，但是从图中可看出红框与飞机真实位置偏差太大，可认为网络没有检测出飞机目标。使用某种手段来修改红框，使得区域候选框与目标真实框更加接近。图2.3真实框和区域候选框图2.4区域候选框、预测框和真实框关系用四维数组(x,y,w,h)确定物体的位置坐标，(x,y)为物体中心，w、h为物体的宽高。如图2.4所示，寻找一种映射关系使得区域候选框A经过变换后成为与物体真实框G相近的预测框G’，该过程就是位置拟合要完成的任务，即对于给定候选框坐标,,,xywhAAAAA，寻找函数f满足："""",,,,,,,,,xywhxywhxywhfAAAAGGGGGGGG。在图2.4中要从A变为"G比较简单的思路就是：先做平移，再做缩放如下式:"xwxxGAdAA(2.13)"yhyyGAdAA(2.14)
本文编号：3500023
本文链接：https://www.wllwen.com/kejilunwen/qiche/3500023.html
