基于计算机视觉的车载识别监测方法研究
发布时间：2021-11-26 14:48
近年来深度学习的飞速发展使得智能车辆的研发得到了广泛关注,本文以物体检测任务和视觉测距为原型,研究了计算机视觉技术在车载识别监测方面的应用,具体内容如下:论文首先研究了基于深度学习的物体检测技术,分析了卷积神经网络的结构、原理和当今主流的物体检测模型,并提出了与传统方法相结合的改进的车载检测算法。接着论文研究了作为视觉测距原理的相机模型,并分别介绍了单目测距法常用的几何模型法、逆投影变换法和数据建模回归法,比较了各自的优缺点,并提出了基于物体检测和投影变换的视觉测距方法。然后本文结合车辆的实际行驶状况实现了基于计算机视觉的车载识别监测方法,该方法主要包括物体检测和数据测算两个功能。物体检测部分使用传统计算机视觉方法检测并标识了车道,使用深度学习模型检测了路面物体并标注位置和分类。数据测算部分采用了基于投影变换来进行测距的方法。最后的测试结果基本符合预期,具有一定的应用价值。
【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
各网络模型的性能比较[43]
DeepID网络的结构[56]
上海交通大学全日制专业硕士学位论文第2章基于深度学习的物体检测技术第8页图2-2DeepID网络的结构[56]Fig.2-2StructureofDeepIDnetwork一个典型的卷积神经网络通常包含以下部分：输入层(Inputlayer)、卷积层(Convolutionallayer)、激励层(Activationlayer，图中未画出)，池化层(Poolinglayer)、全连接层(FullyConnectedlayer)。输入层用来输入图像，通常还会伴随去均值和归一化操作；卷积层用来提取特征；激励层用来提供线性到非线性的映射；池化层用来压缩信息并降维；全连接层用来分类。下面对它们进行详细说明。(1)输入层输入层主要负责输入图像，同时进行一定的预处理，例如去均值和归一化。去均值的主要作用是让数据点均值为0，也就是将中心点移至原点。归一化则是让各维度的数据点都处于0~1的范围，避免维度之间数据值差距过大造成分布不均匀的问题。如下图，d1和d2分别代表两个维度，通过去均值化使得数据点的平均值为0，通过归一化使得两个维度的方差相近，避免数量级差距过大(a)原始数据(b)去均值化后的数据(c)归一化后的数据图2-3输入层的预处理Fig.2-3Preprocessofinputlayer(2)卷积层卷积层是卷积神经网络中最重要的层，也是它与传统神经网络相比最具特点和优势的地方。卷积层所进行的就是卷积操作，卷积实质上就是一种卷积核(convolutionkernel)对输入的线性运算，卷积核又称filter，是一个k×k的二维矩阵，其中k为卷积核的尺寸，它可以一定程度上反映出局部区域的点与点之间的
【参考文献】：
期刊论文
[1]TensorFlow平台下基于深度学习的数字识别[J]. 靳涛,张永爱. 信息技术与网络安全. 2018(04)
[2]无人驾驶技术及其发展[J]. 杨钦哲. 中国新通信. 2018(06)
[3]基于高性能计算平台的TensorFlow应用探索与实践[J]. 王一超,韦建文. 实验室研究与探索. 2017(12)
[4]深度学习在无人驾驶汽车领域应用的研究进展[J]. 王科俊,赵彦东,邢向磊. 智能系统学报. 2018(01)
[5]谷歌TensorFlow机器学习框架及应用[J]. 章敏敏,徐和平,王晓洁,周梦昀,洪淑月. 微型机与应用. 2017(10)
[6]无人驾驶汽车研究综述与发展展望[J]. 潘福全,亓荣杰,张璇,张丽霞. 科技创新与应用. 2017(02)
[7]无人驾驶汽车的发展与研究[J]. 姜沛宏,张长坤. 时代农机. 2016(10)
[8]基于视觉的无人驾驶汽车研究综述[J]. 唐智威. 制造业自动化. 2016(08)
[9]双目视觉测量中等匹配点的光条中心提取[J]. 贾振元,樊超楠,刘巍,杨景豪,徐鹏涛. 光学精密工程. 2016(07)
[10]无人驾驶汽车的发展现状及方向[J]. 许占奎. 科技展望. 2015(32)
博士论文
[1]深度学习在计算机视觉领域的若干关键技术研究[D]. 逄淑超.吉林大学 2017
[2]无人驾驶车辆运动障碍物检测、预测和避撞方法研究[D]. 辛煜.中国科学技术大学 2014
[3]高速公路自主驾驶汽车视觉感知算法研究[D]. 聂一鸣.国防科学技术大学 2012
[4]基于单目视觉的同时定位与地图重建算法研究[D]. 孟旭炯.浙江大学 2010
硕士论文
[1]基于机器视觉的前方车辆检测与跟踪[D]. 王宁.西南交通大学 2018
[2]基于深度学习的单目视觉车辆检测与跟踪研究[D]. 叶运生.合肥工业大学 2018
[3]基于车载摄像机的前方车辆测距测速方法研究[D]. 张亚男.大连海事大学 2018
[4]基于计算机视觉和深度学习的自动驾驶方法研究[D]. 白辰甲.哈尔滨工业大学 2017
[5]基于机器视觉的车道偏离及碰撞预警技术研究[D]. 张云飞.北京工业大学 2017
[6]基于机器视觉的前方车辆检测与测距系统设计[D]. 佟卓远.哈尔滨工业大学 2015
[7]震源车车队跟车技术的研究[D]. 张欢.天津科技大学 2014
[8]基于单目视觉的前方车辆检测和测距方法研究[D]. 冯月.北京化工大学 2013
[9]基于视觉与激光信息的固定障碍物检测[D]. 慕永云.大连理工大学 2011
[10]基于计算机视觉的车辆与前方车距检测[D]. 周天弋.浙江工商大学 2010
本文编号：3520371
【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
各网络模型的性能比较[43]
DeepID网络的结构[56]
上海交通大学全日制专业硕士学位论文第2章基于深度学习的物体检测技术第8页图2-2DeepID网络的结构[56]Fig.2-2StructureofDeepIDnetwork一个典型的卷积神经网络通常包含以下部分：输入层(Inputlayer)、卷积层(Convolutionallayer)、激励层(Activationlayer，图中未画出)，池化层(Poolinglayer)、全连接层(FullyConnectedlayer)。输入层用来输入图像，通常还会伴随去均值和归一化操作；卷积层用来提取特征；激励层用来提供线性到非线性的映射；池化层用来压缩信息并降维；全连接层用来分类。下面对它们进行详细说明。(1)输入层输入层主要负责输入图像，同时进行一定的预处理，例如去均值和归一化。去均值的主要作用是让数据点均值为0，也就是将中心点移至原点。归一化则是让各维度的数据点都处于0~1的范围，避免维度之间数据值差距过大造成分布不均匀的问题。如下图，d1和d2分别代表两个维度，通过去均值化使得数据点的平均值为0，通过归一化使得两个维度的方差相近，避免数量级差距过大(a)原始数据(b)去均值化后的数据(c)归一化后的数据图2-3输入层的预处理Fig.2-3Preprocessofinputlayer(2)卷积层卷积层是卷积神经网络中最重要的层，也是它与传统神经网络相比最具特点和优势的地方。卷积层所进行的就是卷积操作，卷积实质上就是一种卷积核(convolutionkernel)对输入的线性运算，卷积核又称filter，是一个k×k的二维矩阵，其中k为卷积核的尺寸，它可以一定程度上反映出局部区域的点与点之间的
【参考文献】：
期刊论文
[1]TensorFlow平台下基于深度学习的数字识别[J]. 靳涛,张永爱. 信息技术与网络安全. 2018(04)
[2]无人驾驶技术及其发展[J]. 杨钦哲. 中国新通信. 2018(06)
[3]基于高性能计算平台的TensorFlow应用探索与实践[J]. 王一超,韦建文. 实验室研究与探索. 2017(12)
[4]深度学习在无人驾驶汽车领域应用的研究进展[J]. 王科俊,赵彦东,邢向磊. 智能系统学报. 2018(01)
[5]谷歌TensorFlow机器学习框架及应用[J]. 章敏敏,徐和平,王晓洁,周梦昀,洪淑月. 微型机与应用. 2017(10)
[6]无人驾驶汽车研究综述与发展展望[J]. 潘福全,亓荣杰,张璇,张丽霞. 科技创新与应用. 2017(02)
[7]无人驾驶汽车的发展与研究[J]. 姜沛宏,张长坤. 时代农机. 2016(10)
[8]基于视觉的无人驾驶汽车研究综述[J]. 唐智威. 制造业自动化. 2016(08)
[9]双目视觉测量中等匹配点的光条中心提取[J]. 贾振元,樊超楠,刘巍,杨景豪,徐鹏涛. 光学精密工程. 2016(07)
[10]无人驾驶汽车的发展现状及方向[J]. 许占奎. 科技展望. 2015(32)
博士论文
[1]深度学习在计算机视觉领域的若干关键技术研究[D]. 逄淑超.吉林大学 2017
[2]无人驾驶车辆运动障碍物检测、预测和避撞方法研究[D]. 辛煜.中国科学技术大学 2014
[3]高速公路自主驾驶汽车视觉感知算法研究[D]. 聂一鸣.国防科学技术大学 2012
[4]基于单目视觉的同时定位与地图重建算法研究[D]. 孟旭炯.浙江大学 2010
硕士论文
[1]基于机器视觉的前方车辆检测与跟踪[D]. 王宁.西南交通大学 2018
[2]基于深度学习的单目视觉车辆检测与跟踪研究[D]. 叶运生.合肥工业大学 2018
[3]基于车载摄像机的前方车辆测距测速方法研究[D]. 张亚男.大连海事大学 2018
[4]基于计算机视觉和深度学习的自动驾驶方法研究[D]. 白辰甲.哈尔滨工业大学 2017
[5]基于机器视觉的车道偏离及碰撞预警技术研究[D]. 张云飞.北京工业大学 2017
[6]基于机器视觉的前方车辆检测与测距系统设计[D]. 佟卓远.哈尔滨工业大学 2015
[7]震源车车队跟车技术的研究[D]. 张欢.天津科技大学 2014
[8]基于单目视觉的前方车辆检测和测距方法研究[D]. 冯月.北京化工大学 2013
[9]基于视觉与激光信息的固定障碍物检测[D]. 慕永云.大连理工大学 2011
[10]基于计算机视觉的车辆与前方车距检测[D]. 周天弋.浙江工商大学 2010
本文编号：3520371
本文链接：https://www.wllwen.com/kejilunwen/qiche/3520371.html
