基于深度学习的车辆检测及碰撞预警方法研究
发布时间：2022-01-07 01:37
车辆检测及碰撞预警技术是智能汽车辅助驾驶领域的关键技术之一,该技术不仅可以方便人们的出行,还能降低交通事故概率,因此具有重要的研究意义。非结构化道路行车环境复杂,基于视觉的传统车辆检测方法存在获取预警信息不足的问题,难以在非结构化道路场景下实现准确合理的碰撞预警判断。因此,针对非结构化道路行车特点,文章采用深度学习的方法对车辆检测及碰撞预警技术进行了进一步的研究。首先,基于车辆视角提出了FBSyolo2车辆检测算法,并基于FBSyolo2算法构建了车辆检测模型。通过分析主流的深度学习目标检测算法在车辆检测方面的应用,确定了YOLOv2算法最适用于车载摄像头条件下的车辆检测。根据非结构化道路的行驶工况特点,定义了一种基于车辆视角的车辆分类方法,并在YOLOv2框架基础上提出了FBSyolo2车辆检测算法,构建了车辆检测模型。与传统的车辆检测模型相比,该模型同时具备车辆检测和车辆视角识别两项功能,模型难度更高,获取的预警信息更充分,更有利于后续碰撞预警方法的研究。其次,在非结构化道路场景下提出了基于信息融合的车辆碰撞预警方法...
【文章来源】：武汉理工大学湖北省 211工程院校 教育部直属院校
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
技术路线
10在运算过程中，卷积核先在输入数据体的起始部分与小部分区域进行内积运算，再与偏置值相加得到输出数据体中的一个值，然后将卷积核平移固定像素点的距离再次计算得到一个值，重复此操作直到该卷积核与输入数据体的所有区域均进行了计算，此时所有输出的值会构成一个2维的激活图（ActivationMap），每个卷积核都将生成一张激活图，将该卷积层中所有卷积核进行上述操作后即可得到各自的激活图，最终在深度方向进行组合形成完整的输出数据体。采用卷积操作可以捕获图像的局部信息。通过多层卷积层的堆叠，各层提取到的特征逐渐由边缘、纹理、方向等低级特征过度到文字、车轮、人脸等高级特征。卷积层具有两大特点，第一个特点是卷积层中卷积核的连接是非全连接的，一个卷积核只与部分输入数据体的参数连接，与之连接的区域称为感受野，另一个特点是同一特征平面的卷积核之间的权重是共享的。这两大特点能够降低卷积神经网络模型的复杂度和运算量，对于很难学习的深层结构来说具有重大的意义，卷积层特点示意图如图2-2所示。（a）感受野（b）权值共享（c）多卷积核图2-2卷积层特点示意图①感受野。神经学家研究发现，视觉皮层的一个神经元仅响应特定区域的刺激而非整个区域。现实生活中也不难发现，图像的空间联系是局部的像素相关性强而远处的像素相关性弱。因此，在图像识别过程中，每个卷积核不必对全局图像进行响应，只需像视觉皮层的神经元一样响应局部区域，然后将局部的反馈信息综合起来得到全局的反馈信息。而某个卷积核的响应对应的输入图像的区域就是感受野，如图2-2（a）所示，它的尺寸大小与卷积核空间尺寸一致。
10在运算过程中，卷积核先在输入数据体的起始部分与小部分区域进行内积运算，再与偏置值相加得到输出数据体中的一个值，然后将卷积核平移固定像素点的距离再次计算得到一个值，重复此操作直到该卷积核与输入数据体的所有区域均进行了计算，此时所有输出的值会构成一个2维的激活图（ActivationMap），每个卷积核都将生成一张激活图，将该卷积层中所有卷积核进行上述操作后即可得到各自的激活图，最终在深度方向进行组合形成完整的输出数据体。采用卷积操作可以捕获图像的局部信息。通过多层卷积层的堆叠，各层提取到的特征逐渐由边缘、纹理、方向等低级特征过度到文字、车轮、人脸等高级特征。卷积层具有两大特点，第一个特点是卷积层中卷积核的连接是非全连接的，一个卷积核只与部分输入数据体的参数连接，与之连接的区域称为感受野，另一个特点是同一特征平面的卷积核之间的权重是共享的。这两大特点能够降低卷积神经网络模型的复杂度和运算量，对于很难学习的深层结构来说具有重大的意义，卷积层特点示意图如图2-2所示。（a）感受野（b）权值共享（c）多卷积核图2-2卷积层特点示意图①感受野。神经学家研究发现，视觉皮层的一个神经元仅响应特定区域的刺激而非整个区域。现实生活中也不难发现，图像的空间联系是局部的像素相关性强而远处的像素相关性弱。因此，在图像识别过程中，每个卷积核不必对全局图像进行响应，只需像视觉皮层的神经元一样响应局部区域，然后将局部的反馈信息综合起来得到全局的反馈信息。而某个卷积核的响应对应的输入图像的区域就是感受野，如图2-2（a）所示，它的尺寸大小与卷积核空间尺寸一致。
【参考文献】：
期刊论文
[1]基于YOLO＿v2模型的车辆实时检测[J]. 黎洲,黄妙华. 中国机械工程. 2018(15)
[2]基于OpenCV的AEB系统车辆检测和预警研究[J]. 杨俊华. 北京汽车. 2018(03)
[3]基于Faster R-CNN的车辆多属性识别[J]. 阮航,孙涵. 计算机技术与发展. 2018(10)
[4]基于YOLO v2的无人机航拍图像定位研究[J]. 魏湧明,全吉成,侯宇青阳. 激光与光电子学进展. 2017(11)
[5]基于Haar-like和MB-LBP特征分区域多分类器车辆检测[J]. 朱彬,王少平,梁华为,袁胜,杨静,黄俊杰. 模式识别与人工智能. 2017(06)
[6]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)
[7]基于YOLO算法的车辆实时检测[J]. 王宇宁,庞智恒,袁德明. 武汉理工大学学报. 2016(10)
[8]一种基于HOG-LBP的高效车辆检测方法[J]. 杨先凤,杨燕. 计算机工程. 2014(09)
[9]汽车前碰撞预警系统ISO 15623标准和NHTSA 26555评价规程对比试验[J]. 贺锦鹏,马芳武,刘卫国,李博,朱西产. 汽车技术. 2014(07)
[10]汽车主动避撞系统的安全距离模型和目标检测算法[J]. 裴晓飞,刘昭度,马国成,叶阳. 汽车安全与节能学报. 2012(01)
硕士论文
[1]基于卷积神经网络的车辆检测算法研究[D]. 张镇.北京交通大学 2018
[2]基于卷积神经网络图像分类优化算法的研究与验证[D]. 石琪.北京交通大学 2017
[3]基于智能终端的车辆碰撞预警系统的设计与实现[D]. 刘媛媛.南京理工大学 2017
[4]基于显著性和LBP方法的车辆检测[D]. 乔广莹.吉林大学 2016
[5]基于视觉的车辆防碰撞预警系统算法研究[D]. 洪浩.辽宁工业大学 2016
[6]基于HOG和Haar-like融合特征的车辆检测[D]. 杨慧.南京邮电大学 2013
本文编号：3573550
【文章来源】：武汉理工大学湖北省 211工程院校 教育部直属院校
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
技术路线
10在运算过程中，卷积核先在输入数据体的起始部分与小部分区域进行内积运算，再与偏置值相加得到输出数据体中的一个值，然后将卷积核平移固定像素点的距离再次计算得到一个值，重复此操作直到该卷积核与输入数据体的所有区域均进行了计算，此时所有输出的值会构成一个2维的激活图（ActivationMap），每个卷积核都将生成一张激活图，将该卷积层中所有卷积核进行上述操作后即可得到各自的激活图，最终在深度方向进行组合形成完整的输出数据体。采用卷积操作可以捕获图像的局部信息。通过多层卷积层的堆叠，各层提取到的特征逐渐由边缘、纹理、方向等低级特征过度到文字、车轮、人脸等高级特征。卷积层具有两大特点，第一个特点是卷积层中卷积核的连接是非全连接的，一个卷积核只与部分输入数据体的参数连接，与之连接的区域称为感受野，另一个特点是同一特征平面的卷积核之间的权重是共享的。这两大特点能够降低卷积神经网络模型的复杂度和运算量，对于很难学习的深层结构来说具有重大的意义，卷积层特点示意图如图2-2所示。（a）感受野（b）权值共享（c）多卷积核图2-2卷积层特点示意图①感受野。神经学家研究发现，视觉皮层的一个神经元仅响应特定区域的刺激而非整个区域。现实生活中也不难发现，图像的空间联系是局部的像素相关性强而远处的像素相关性弱。因此，在图像识别过程中，每个卷积核不必对全局图像进行响应，只需像视觉皮层的神经元一样响应局部区域，然后将局部的反馈信息综合起来得到全局的反馈信息。而某个卷积核的响应对应的输入图像的区域就是感受野，如图2-2（a）所示，它的尺寸大小与卷积核空间尺寸一致。
10在运算过程中，卷积核先在输入数据体的起始部分与小部分区域进行内积运算，再与偏置值相加得到输出数据体中的一个值，然后将卷积核平移固定像素点的距离再次计算得到一个值，重复此操作直到该卷积核与输入数据体的所有区域均进行了计算，此时所有输出的值会构成一个2维的激活图（ActivationMap），每个卷积核都将生成一张激活图，将该卷积层中所有卷积核进行上述操作后即可得到各自的激活图，最终在深度方向进行组合形成完整的输出数据体。采用卷积操作可以捕获图像的局部信息。通过多层卷积层的堆叠，各层提取到的特征逐渐由边缘、纹理、方向等低级特征过度到文字、车轮、人脸等高级特征。卷积层具有两大特点，第一个特点是卷积层中卷积核的连接是非全连接的，一个卷积核只与部分输入数据体的参数连接，与之连接的区域称为感受野，另一个特点是同一特征平面的卷积核之间的权重是共享的。这两大特点能够降低卷积神经网络模型的复杂度和运算量，对于很难学习的深层结构来说具有重大的意义，卷积层特点示意图如图2-2所示。（a）感受野（b）权值共享（c）多卷积核图2-2卷积层特点示意图①感受野。神经学家研究发现，视觉皮层的一个神经元仅响应特定区域的刺激而非整个区域。现实生活中也不难发现，图像的空间联系是局部的像素相关性强而远处的像素相关性弱。因此，在图像识别过程中，每个卷积核不必对全局图像进行响应，只需像视觉皮层的神经元一样响应局部区域，然后将局部的反馈信息综合起来得到全局的反馈信息。而某个卷积核的响应对应的输入图像的区域就是感受野，如图2-2（a）所示，它的尺寸大小与卷积核空间尺寸一致。
【参考文献】：
期刊论文
[1]基于YOLO＿v2模型的车辆实时检测[J]. 黎洲,黄妙华. 中国机械工程. 2018(15)
[2]基于OpenCV的AEB系统车辆检测和预警研究[J]. 杨俊华. 北京汽车. 2018(03)
[3]基于Faster R-CNN的车辆多属性识别[J]. 阮航,孙涵. 计算机技术与发展. 2018(10)
[4]基于YOLO v2的无人机航拍图像定位研究[J]. 魏湧明,全吉成,侯宇青阳. 激光与光电子学进展. 2017(11)
[5]基于Haar-like和MB-LBP特征分区域多分类器车辆检测[J]. 朱彬,王少平,梁华为,袁胜,杨静,黄俊杰. 模式识别与人工智能. 2017(06)
[6]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)
[7]基于YOLO算法的车辆实时检测[J]. 王宇宁,庞智恒,袁德明. 武汉理工大学学报. 2016(10)
[8]一种基于HOG-LBP的高效车辆检测方法[J]. 杨先凤,杨燕. 计算机工程. 2014(09)
[9]汽车前碰撞预警系统ISO 15623标准和NHTSA 26555评价规程对比试验[J]. 贺锦鹏,马芳武,刘卫国,李博,朱西产. 汽车技术. 2014(07)
[10]汽车主动避撞系统的安全距离模型和目标检测算法[J]. 裴晓飞,刘昭度,马国成,叶阳. 汽车安全与节能学报. 2012(01)
硕士论文
[1]基于卷积神经网络的车辆检测算法研究[D]. 张镇.北京交通大学 2018
[2]基于卷积神经网络图像分类优化算法的研究与验证[D]. 石琪.北京交通大学 2017
[3]基于智能终端的车辆碰撞预警系统的设计与实现[D]. 刘媛媛.南京理工大学 2017
[4]基于显著性和LBP方法的车辆检测[D]. 乔广莹.吉林大学 2016
[5]基于视觉的车辆防碰撞预警系统算法研究[D]. 洪浩.辽宁工业大学 2016
[6]基于HOG和Haar-like融合特征的车辆检测[D]. 杨慧.南京邮电大学 2013
本文编号：3573550
本文链接：https://www.wllwen.com/kejilunwen/qiche/3573550.html
