基于深度学习的行车视频中的目标检测

发布时间：2024-07-02 00:07

　　近年来自动驾驶技术引起了人们广泛的关注,自动驾驶汽车需要通过行车视频进行实时的目标检测,再联合其他信息在行驶过程中做出及时的决策。因此,一个适用于行车视频下的鲁棒性较强的目标检测算法具有很重要的实际意义。传统检测算法泛化能力不够好,大多数都不能适应复杂多变的环境和实时性的要求。而利用深度学习进行目标检测可以避免传统算法的诸多问题,并获得远优于传统方法的检测效果。目前大多数行车视频检测只针对车辆,事实上如交通灯、行人、骑车人等信息对于环境感知也是必要的。因此,本文使用基于深度学习的目标检测算法,并改进其特征提取器,将其应用于行车视频下多个类别的目标检测。本文的主要工作如下:针对传统算法有鲁棒性不好、准确率不高和实时性差等缺陷,本文使用深度学习算法来构建行车视频的多目标检测模型,并进行改进以增加检测精度。YOLOv2算法的实时性好,检测准确率高;而更深的网络层数有助于算法中的特征提取器提取特征。本文在YOLOv2算法的基础上,将主干的darknet19神经网络替换为含有残差块的网络,通过增加特征提取器的网络层数获得更高的检测精度,达到更好的检测效果。对改进的算法进行一系列的验证实验以及应用...

【文章页数】：79 页

【学位级别】：硕士

【部分图文】：

图2.1经典机器学习、一般表示学习和深度学习的异同Fig2.1Similaritiesanddifferencesofclassicalmachinelearning,generalrepresentationlearninganddeeplearning

典机器学习、一般的表示学习和深度学习处理问题的流程如图2.1所示，阴影框表示了能从数据中学习的组件，可见，深度学习的表征能力是非常强的。图2.1经典机器学习、一般表示学习和深度学习的异同Fig2.1Similaritiesanddifferencesofclass....

图2.2深度学习模型获取特征的可视化

学习目标的特征，将原始数据经过一系列非线性变换，生成了高层次的抽象表示。其学习特征的可视化过程如图2.2所示。图2.2深度学习模型获取特征的可视化[39]Fig2.2Thevisualizationofcapturefeaturesusingdeeplear....

图2.3感知机模型

元接受到的总的输入值将与神经元的阈值进行比较，然后通过激活函数得到神经元的输出。图2.3感知机模型Fig2.3Perceptronmodel其中y的计算方法为：=()（2.1）其中x代表输入信号，w代表对应的连接权重，代表给定阈值，y是输出，f即....

图2.4多层神经网络Fig2.4Multipleneuralnetworks

多层神经网络也称为多层感知机，其结构如图2.4所示，信号由低层向高层传播，其中除了输入和输出层之外的网络各层都称为隐藏层。图2.4多层神经网络Fig2.4Multipleneuralnetworks引入多层结构，可以使得神经网络实现更复杂的判别和决策，但同时也提高了学....

本文编号：3999394