基于深度学习和数据融合车辆行人检测方法
发布时间：2022-02-22 23:01
道路交通环境涉及的多目标检测技术主要是检测各种道路交通环境中采集的图像或者视频里的车辆和行人等,使用机器学习和深度学习的技术来实现高效的检测识别。该技术是近年来理论研究和实践过程中人们讨论的热点,并广泛应用于车辆的驾驶辅助系统,无人驾驶等领域。然而道路交通环境非常复杂,需要检测的车辆和行人等障碍物很容易受到各种随机因素的干扰,因此多目标检测技术的研究仍然有很长的路要走。最近几年深度学习获得前所未有的发展,所以基于深度学习的道路场景车辆行人的检测算法相应地被提出。该算法的参数优化主要和所需训练数据有关,具体做法是把所使用数据集里的训练数据以及对应的标签作为卷积神经网络的输入来进行训练,获得训练模型以后使用数据集中的测试数据在训练模型中获得预测数据,并和测试数据的标签作比较。除此之外多传感器融合的手段可以弥补单一数据的不足,从而使检测准确率有所提升。所以本文基于深度学习算法和多传感器数据融合策略对道路车辆和行人的检测进行研究。（1）基于卷积神经网络Resnet搭建融合多元数据的卷积网络,将多传感器采集的数据进行融合,该结构充分考虑RGB图像和深度图像的独立性和相关性,由于两个卷积网络的结构...
【文章来源】：燕山大学河北省
【文章页数】：83 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 课题研究背景及意义
1.2 国内外研究现状
1.2.1 传统基于人工特征的目标检测
1.2.2 基于深度学习的目标检测
1.3 本文的主要研究内容
1.3.1 本文的研究内容
1.3.2 本文的组织结构
第2章 卷积神经网络概述
2.1 神经网络输入数据
2.1.1 彩色图像
2.1.2 深度图像
2.2 人工神经网络
2.2.1 感知器单元
2.2.2 前馈神经网络
2.2.3 反向传播算法
2.3 卷积神经网络VGG
2.3.1 卷积层
2.3.2 池化层
2.3.3 全连接层
2.3.4 损失函数
2.4 梯度下降与正则化方法
2.4.1 随机梯度下降
2.4.2 正则化
2.5 本章小结
第3章 多元融合分类网络的构建与优化
3.1 引言
3.2 残差网络原理
3.3 融合网络搭建
3.4 参数优化
3.4.1 特征可视化
3.4.2 dropout优化
3.4.3 批规范化
3.5 网络训练
3.5.1 实验数据准备
3.5.2 数据预处理
3.5.3 模型训练参数设置
3.5.4 结果与分析
3.6 本章小结
第4章 改进SSD检测算法的构建与训练
4.1 目标检测算法介绍
4.1.1 Faster R-CNN
4.1.2 YOLO
4.1.3 SSD目标检测基本原理
4.2 改进SSD模型构建
4.3 网络模型训练
4.3.1 训练目标函数
4.3.2 默认边界框和高宽比
4.3.3 正负样本比例
4.3.4 模型训练框架
4.4 本章小结
第5章 实验结果与分析
5.1 实验环境搭建
5.2 KITTI数据集与评价标准
5.3 检测结果与评估
5.4 本章小结
结论
参考文献
致谢
作者简介
【参考文献】：
期刊论文
[1]人工智能综述[J]. 李玉环. 科技创新导报. 2016(16)
[2]基于卷积神经网络的道路车辆检测方法[J]. 李琳辉,伦智梅,连静,袁鲁山,周雅夫,麻笑艺. 吉林大学学报(工学版). 2017(02)
[3]中国机动车保有量达2·64亿辆[J]. 邹伟. 广东交通. 2015 (01)
[4]基于支持向量机的目标检测算法综述[J]. 郭明玮,赵宇宙,项俊平,张陈斌,陈宗海. 控制与决策. 2014(02)
[5]信息融合理论的基本方法与进展（Ⅱ）[J]. 潘泉,王增福,梁彦,杨峰,刘准钆. 控制理论与应用. 2012(10)
[6]基于车牌识别的交通分析应用研究[J]. 林瑜,陈红洁,肖永来. 中国交通信息产业. 2009(05)
[7]多传感器融合综述[J]. 王军,苏剑波,席裕庚. 数据采集与处理. 2004(01)
[8]机器学习[J]. 刘琴. 武汉工程职业技术学院学报. 2001(02)
[9]智能交通系统中的计算机视觉技术应用[J]. 郁梅,蒋刚毅,郁伯康. 计算机工程与应用. 2001(10)
硕士论文
[1]基于深度卷积神经网络的小目标检测[D]. 郭之先.南昌航空大学 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]基于深度学习的车牌检测[D]. 田媛美.西安电子科技大学 2017
[4]基于卷积神经网络的行人检测方法研究[D]. 刘键.哈尔滨工业大学 2017
[5]基于卷积神经网络的车行环境多类障碍物检测与识别[D]. 何春燕.重庆邮电大学 2017
[6]基于深度学习的交通场景多目标检测[D]. 李珊珊.湖南大学 2017
[7]基于深度学习的机动车检测与属性识别研究[D]. 郭少博.中国科学技术大学 2017
[8]基于深度学习的快速目标检测技术研究[D]. 王震.天津理工大学 2017
[9]基于卷积神经网络的目标检测与识别方法研究[D]. 王昊.南京财经大学 2017
[10]基于PHOG描述算子的手写数字识别系统研究与实现[D]. 尹政博.东北师范大学 2016
本文编号：3640357
【文章来源】：燕山大学河北省
【文章页数】：83 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 课题研究背景及意义
1.2 国内外研究现状
1.2.1 传统基于人工特征的目标检测
1.2.2 基于深度学习的目标检测
1.3 本文的主要研究内容
1.3.1 本文的研究内容
1.3.2 本文的组织结构
第2章 卷积神经网络概述
2.1 神经网络输入数据
2.1.1 彩色图像
2.1.2 深度图像
2.2 人工神经网络
2.2.1 感知器单元
2.2.2 前馈神经网络
2.2.3 反向传播算法
2.3 卷积神经网络VGG
2.3.1 卷积层
2.3.2 池化层
2.3.3 全连接层
2.3.4 损失函数
2.4 梯度下降与正则化方法
2.4.1 随机梯度下降
2.4.2 正则化
2.5 本章小结
第3章 多元融合分类网络的构建与优化
3.1 引言
3.2 残差网络原理
3.3 融合网络搭建
3.4 参数优化
3.4.1 特征可视化
3.4.2 dropout优化
3.4.3 批规范化
3.5 网络训练
3.5.1 实验数据准备
3.5.2 数据预处理
3.5.3 模型训练参数设置
3.5.4 结果与分析
3.6 本章小结
第4章 改进SSD检测算法的构建与训练
4.1 目标检测算法介绍
4.1.1 Faster R-CNN
4.1.2 YOLO
4.1.3 SSD目标检测基本原理
4.2 改进SSD模型构建
4.3 网络模型训练
4.3.1 训练目标函数
4.3.2 默认边界框和高宽比
4.3.3 正负样本比例
4.3.4 模型训练框架
4.4 本章小结
第5章 实验结果与分析
5.1 实验环境搭建
5.2 KITTI数据集与评价标准
5.3 检测结果与评估
5.4 本章小结
结论
参考文献
致谢
作者简介
【参考文献】：
期刊论文
[1]人工智能综述[J]. 李玉环. 科技创新导报. 2016(16)
[2]基于卷积神经网络的道路车辆检测方法[J]. 李琳辉,伦智梅,连静,袁鲁山,周雅夫,麻笑艺. 吉林大学学报(工学版). 2017(02)
[3]中国机动车保有量达2·64亿辆[J]. 邹伟. 广东交通. 2015 (01)
[4]基于支持向量机的目标检测算法综述[J]. 郭明玮,赵宇宙,项俊平,张陈斌,陈宗海. 控制与决策. 2014(02)
[5]信息融合理论的基本方法与进展（Ⅱ）[J]. 潘泉,王增福,梁彦,杨峰,刘准钆. 控制理论与应用. 2012(10)
[6]基于车牌识别的交通分析应用研究[J]. 林瑜,陈红洁,肖永来. 中国交通信息产业. 2009(05)
[7]多传感器融合综述[J]. 王军,苏剑波,席裕庚. 数据采集与处理. 2004(01)
[8]机器学习[J]. 刘琴. 武汉工程职业技术学院学报. 2001(02)
[9]智能交通系统中的计算机视觉技术应用[J]. 郁梅,蒋刚毅,郁伯康. 计算机工程与应用. 2001(10)
硕士论文
[1]基于深度卷积神经网络的小目标检测[D]. 郭之先.南昌航空大学 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]基于深度学习的车牌检测[D]. 田媛美.西安电子科技大学 2017
[4]基于卷积神经网络的行人检测方法研究[D]. 刘键.哈尔滨工业大学 2017
[5]基于卷积神经网络的车行环境多类障碍物检测与识别[D]. 何春燕.重庆邮电大学 2017
[6]基于深度学习的交通场景多目标检测[D]. 李珊珊.湖南大学 2017
[7]基于深度学习的机动车检测与属性识别研究[D]. 郭少博.中国科学技术大学 2017
[8]基于深度学习的快速目标检测技术研究[D]. 王震.天津理工大学 2017
[9]基于卷积神经网络的目标检测与识别方法研究[D]. 王昊.南京财经大学 2017
[10]基于PHOG描述算子的手写数字识别系统研究与实现[D]. 尹政博.东北师范大学 2016
本文编号：3640357
本文链接：https://www.wllwen.com/kejilunwen/qiche/3640357.html
