基于YOLO的交通目标检测方法
发布时间：2022-01-11 02:48
随着大数据、云计算、移动互联网等技术的迅速发展,人工智能技术逐渐成熟,无人驾驶成为可能。自动驾驶技术不仅可以减轻驾驶员的负担,更能够有效减少交通事故的发生。“互联网+交通”是将互联网新技术应用到智能交通领域,使得机器能够识别车辆、行人、信号灯、交通障碍物等一系列交通目标,从而为智能交通、实现自动驾驶提供基础设施。而自动驾驶技术最重要的一个技术点就是环境感知,利用图像识别技术,感知周边环境,检测道路车辆、障碍物、交通信号灯以及交通标识。近年来,基于视频图像的检测技术开始发展起来,该技术利用图像采集设备对检测目标进行图像的实时采集,并对采集到的数据加以分析。然而,如何能够提高车辆安全性能,提高交通目标检测准确率和检测速度是实现无人驾驶的关键。本文深入研究交通目标特点,以及实现自动驾驶需要的可靠性和实时性特点,针对交通信号灯以及交通障碍物这种特定的交通目标进行分析研究。首先,利用车载摄像头拍摄的交通道路视频,收集了多个城市的交通道路图像,并对图像进行前期筛选等预处理工作。其次,对交通信号灯以及交通障碍物共七类交通目标进行人工标注。通过对比传统交通目标检测方法以及基于图像的交通目标检测方法,本...
【文章来源】：华北电力大学(北京)北京市 211工程院校 教育部直属院校
【文章页数】：52 页
【学位级别】：硕士
【图文】：
图２－２?ＹＯＬＯ思想模型??每个网格预测Ｂ个边界框，和Ｃ个类别概率
检测目标时，由以下计算公式得到每个网格预测目标类别的置信度得分。??ｃｏｎｆｉｄｅｎｃｅ?ｘ?Ｐ（ＣｌａｓＳｉ＼Ｏｂｊｅｃｔ）?＝?Ｐ（ＣｌａｓＳｉ）?ｘ?ｌＯＵｐ＾Ｊ１?（２－３）??最后通过非极大值抑制，如图２－３所示。过滤掉得分低的预测框，从而确定??预测目标的最终位置。而置信度得分用来判断目标所属类别。??以ＶＯＣ数据为例，ＹＯＬＯｖｌ采用７ｘ７网格，每个网格预测两个边界框。因??为ＶＯＣ数据集待检测目标有２０个种类，所以输出张量为７ｘ７ｘ（２ｘ５＋２０）＝３０，??ＹＯＬＯｖｌ的网络模型借鉴了?ＧｏｏｇｌｅＮｅｔ的模型结构，但是与之不同的是，ＹＯＬＯｖｌ??使用?１Ｘ１?和?３ｘ３?的卷积核代替了?ＧｏｏｇｌｅＮｅｔ?的?ｉｎｃｅｐｔｉｏｎｍｏｄｕｌｅ［２８］。??Ｈｉ??，：??图２－３非极大值抑制??ＹＯＬＯ相比其他基于ＣＮＮ的网络模型而言很好地提升了检测速度，但是由??于ＹＯＬＯｖｌ的检测机制使得一个网格只能预测一个目标，此时，如果有两个物??体同时落入一个网格，就会使得漏检率比较高，而且一幅图像只预测９８个边界??框
视频分帧与图像筛选的总流程是导入视频，并读取视频相关信息，进行切分??设置，包括按帧切分、按时间切分、默认切分以及设置要生成的图像的大小。视??频分巾贞流程如图３－２所不。??（开始）???）?［???导入视频文件?ｘ???—Ｎ￣？提醒视频打开失败??Ｙ??１??计算视频的总顿数???＾?［???设置帧间隔或默认???＇?［???生成图像???Ｉ???结束??图３－２视频分帧流程图??将视频切分成一帧帧的静态图像后，需要对所生成的图像进行一定规模的筛??选处理。筛选有效图片是为了将无效帧抓取的图像进行删除，净化数据集。筛选??图像的要求是将模糊图像、重复帧以及受损图像文件加以踢出，以免对训练模型??质量产生不必要的影响。??１８??
【参考文献】：
期刊论文
[1]改进的YOLOv3红外视频图像行人检测算法[J]. 王殿伟,何衍辉,李大湘,刘颖,许志杰,王晶. 西安邮电大学学报. 2018(04)
[2]基于智能家居场景下人形识别系统的开发[J]. 田文莎,张娃旦,田由. 科技与创新. 2018(13)
[3]基于改进YOLO的双模目标识别方法研究[J]. 黄杰军,呼吁,周斌,明德烈. 计算机与数字工程. 2018(04)
[4]百度谷歌无人驾驶汽车发展综述[J]. 何佳,戎辉,王文扬,田晓笛,高嵩,郭蓬. 汽车电器. 2017(12)
[5]视频分析技术在智能交通系统的应用研究[J]. 李光磊,陈杰. 中国设备工程. 2017(22)
[6]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)
[7]基于三维激光雷达的车辆目标检测方法[J]. 苏致远,徐友春,李永乐. 军事交通学院学报. 2017(01)
[8]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)
[9]“互联网+”时代的城市交通变革与发展[J]. 翟婧彤,王振坡,王丽艳. 城市. 2015(09)
[10]无人驾驶汽车的发展现状和展望[J]. 杨帆. 上海汽车. 2014(03)
硕士论文
[1]一种新型分类算法及其在网络入侵检测中的应用研究[D]. 张浩.北京邮电大学 2018
[2]基于分布式深度学习的网联汽车安全检测系统的研究与实现[D]. 吴梦飞.北京邮电大学 2018
[3]绝缘子闪络视频智能分析算法研究[D]. 徐伯诚.北京邮电大学 2017
[4]自然场景下的矩形交通标志检测与文本提取算法研究[D]. 李振毛.北京交通大学 2017
[5]基于图像识别的智能小车障碍物检测方法研究[D]. 孙晓峰.昆明理工大学 2017
[6]道路箭头标志检测与识别算法研究[D]. 魏瑾瑜.大连理工大学 2016
[7]车载视觉系统中障碍物检测与识别方法研究[D]. 曾丽娜.南京航空航天大学 2016
[8]基于视频图像的运动车辆检测与跟踪算法研究[D]. 韩艺.哈尔滨工业大学 2015
[9]基于DPM的交通标志检测算法研究[D]. 李斌.北京交通大学 2015
[10]低速环境下的智能车无人驾驶技术研究[D]. 逄伟.浙江大学 2015
本文编号：3581930
【文章来源】：华北电力大学(北京)北京市 211工程院校 教育部直属院校
【文章页数】：52 页
【学位级别】：硕士
【图文】：
图２－２?ＹＯＬＯ思想模型??每个网格预测Ｂ个边界框，和Ｃ个类别概率
检测目标时，由以下计算公式得到每个网格预测目标类别的置信度得分。??ｃｏｎｆｉｄｅｎｃｅ?ｘ?Ｐ（ＣｌａｓＳｉ＼Ｏｂｊｅｃｔ）?＝?Ｐ（ＣｌａｓＳｉ）?ｘ?ｌＯＵｐ＾Ｊ１?（２－３）??最后通过非极大值抑制，如图２－３所示。过滤掉得分低的预测框，从而确定??预测目标的最终位置。而置信度得分用来判断目标所属类别。??以ＶＯＣ数据为例，ＹＯＬＯｖｌ采用７ｘ７网格，每个网格预测两个边界框。因??为ＶＯＣ数据集待检测目标有２０个种类，所以输出张量为７ｘ７ｘ（２ｘ５＋２０）＝３０，??ＹＯＬＯｖｌ的网络模型借鉴了?ＧｏｏｇｌｅＮｅｔ的模型结构，但是与之不同的是，ＹＯＬＯｖｌ??使用?１Ｘ１?和?３ｘ３?的卷积核代替了?ＧｏｏｇｌｅＮｅｔ?的?ｉｎｃｅｐｔｉｏｎｍｏｄｕｌｅ［２８］。??Ｈｉ??，：??图２－３非极大值抑制??ＹＯＬＯ相比其他基于ＣＮＮ的网络模型而言很好地提升了检测速度，但是由??于ＹＯＬＯｖｌ的检测机制使得一个网格只能预测一个目标，此时，如果有两个物??体同时落入一个网格，就会使得漏检率比较高，而且一幅图像只预测９８个边界??框
视频分帧与图像筛选的总流程是导入视频，并读取视频相关信息，进行切分??设置，包括按帧切分、按时间切分、默认切分以及设置要生成的图像的大小。视??频分巾贞流程如图３－２所不。??（开始）???）?［???导入视频文件?ｘ???—Ｎ￣？提醒视频打开失败??Ｙ??１??计算视频的总顿数???＾?［???设置帧间隔或默认???＇?［???生成图像???Ｉ???结束??图３－２视频分帧流程图??将视频切分成一帧帧的静态图像后，需要对所生成的图像进行一定规模的筛??选处理。筛选有效图片是为了将无效帧抓取的图像进行删除，净化数据集。筛选??图像的要求是将模糊图像、重复帧以及受损图像文件加以踢出，以免对训练模型??质量产生不必要的影响。??１８??
【参考文献】：
期刊论文
[1]改进的YOLOv3红外视频图像行人检测算法[J]. 王殿伟,何衍辉,李大湘,刘颖,许志杰,王晶. 西安邮电大学学报. 2018(04)
[2]基于智能家居场景下人形识别系统的开发[J]. 田文莎,张娃旦,田由. 科技与创新. 2018(13)
[3]基于改进YOLO的双模目标识别方法研究[J]. 黄杰军,呼吁,周斌,明德烈. 计算机与数字工程. 2018(04)
[4]百度谷歌无人驾驶汽车发展综述[J]. 何佳,戎辉,王文扬,田晓笛,高嵩,郭蓬. 汽车电器. 2017(12)
[5]视频分析技术在智能交通系统的应用研究[J]. 李光磊,陈杰. 中国设备工程. 2017(22)
[6]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)
[7]基于三维激光雷达的车辆目标检测方法[J]. 苏致远,徐友春,李永乐. 军事交通学院学报. 2017(01)
[8]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)
[9]“互联网+”时代的城市交通变革与发展[J]. 翟婧彤,王振坡,王丽艳. 城市. 2015(09)
[10]无人驾驶汽车的发展现状和展望[J]. 杨帆. 上海汽车. 2014(03)
硕士论文
[1]一种新型分类算法及其在网络入侵检测中的应用研究[D]. 张浩.北京邮电大学 2018
[2]基于分布式深度学习的网联汽车安全检测系统的研究与实现[D]. 吴梦飞.北京邮电大学 2018
[3]绝缘子闪络视频智能分析算法研究[D]. 徐伯诚.北京邮电大学 2017
[4]自然场景下的矩形交通标志检测与文本提取算法研究[D]. 李振毛.北京交通大学 2017
[5]基于图像识别的智能小车障碍物检测方法研究[D]. 孙晓峰.昆明理工大学 2017
[6]道路箭头标志检测与识别算法研究[D]. 魏瑾瑜.大连理工大学 2016
[7]车载视觉系统中障碍物检测与识别方法研究[D]. 曾丽娜.南京航空航天大学 2016
[8]基于视频图像的运动车辆检测与跟踪算法研究[D]. 韩艺.哈尔滨工业大学 2015
[9]基于DPM的交通标志检测算法研究[D]. 李斌.北京交通大学 2015
[10]低速环境下的智能车无人驾驶技术研究[D]. 逄伟.浙江大学 2015
本文编号：3581930
本文链接：https://www.wllwen.com/kejilunwen/qiche/3581930.html
