基于深度学习的无人小车目标识别研究

发布时间：2023-03-09 07:56

　　随着人工智能技术的迅速发展,无人驾驶汽车已成为当下社会研究热点之一。其中,目标识别是实现无人驾驶汽车的重要环节之一,通过对传感器收集到的数据进行处理和分析,车辆系统对周围环境做出感知和判断。又随着深度学习在计算机视觉领域的成功应用以及计算机硬件水平的提高,基于深度学习的目标识别得到了研究者大量的关注与研究。基于以上两点,本文基于深度学习算法,针对无人驾驶车辆的目标识别进行研究,本文内容主要有以下几点。首先,对与本文内容相关的深度学习基础知识进行了详细探讨。分析了卷积核、池化层、激活函数作用、卷积神经网络中正则化实现以及循环神经网络等。并通过卷积核可视化进一步理解卷积神经网络,为网络的改进和效果的提升奠定了基础。接着,对静态目标识别进行研究,以单帧图像作为输入,对图像进行分类。本文主要针对交通标志牌进行识别,结合现有网络模型以及收集到数据的特性,对网络结构进行改进。并结合数据样本分布特点对损失函数进行改进,使得改进后的模型具有更高的识别准确率。然后,对动态目标识别进行研究,以连续多帧图像作为输入,对带有时间信息的多帧图像进行分类。本文主要针对行人行为进行识别,在C3D基础上,结合跃层连接...

【文章页数】：86 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
注释表
缩略词
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 研究目标与关键技术分析
        1.3.1 研究目标
        1.3.2 关键技术分析
    1.4 本文研究的主要内容
第二章 深度学习基础研究
    2.1 引言
    2.2 CNNs
        2.2.1 卷积操作
        2.2.2 池化操作
        2.2.3 激活函数
    2.3 随机失活
    2.4 RNNs
        2.4.1 简单RNNs
        2.4.2 LSTM
    2.5 本章小节
第三章 基于Alexnet的交通标志识别
    3.1 引言
    3.2 Alexnet网络
    3.3 改进的Alexnet交通标志识别网络
        3.3.1 网络结构设计
        3.3.2 分类器替换
        3.3.3 损失函数改进
    3.4 实验验证
        3.4.1 实验数据与预处理
        3.4.2 三种网络对比
        3.4.3 添加去掉随机失活对比
        3.4.4 多类SVM与softmax比较
        3.4.5 实际效果
    3.5 本章小结
第四章 基于C3D-BR的人体动作识别
    4.1 引言
    4.2 3D CNNs
    4.3 C3D-BR动作识别网络
        4.3.1 跃层连接
        4.3.2 Batch Normal层
        4.3.3 RNNs结构
    4.4 实验验证
        4.4.1 实验数据集及实验设计
        4.4.2 本文模型改进对比
        4.4.3 与其它方法对比
    4.5 本章小结
第五章 实物系统验证研究
    5.1 引言
    5.2 实验硬件平台及系统架构
    5.3 实验验证
        5.3.1 训练数据采集
        5.3.2 实验设计
        5.3.3 实际实验结果
    5.4 本章小结
第六章 总结与展望
    6.1 本文研究工作总结
    6.2 后期研究方向
参考文献
致谢
在学期间的研究成果及发表的学术论文



本文编号：3758016