基于MobileNet-SSD模型的道路目标识别研究及其安卓应用开发

发布时间：2021-01-08 09:56

　　在智能辅助驾驶和无人驾驶系统中,道路目标的检测识别是非常重要的。随着人工智能和深度学习的快速发展,卷积神经网络在目标检测识别领域取得了优异的成绩,基于卷积神经网络对道路目标进行检测识别具有重要的研究价值和应用价值。行车记录仪视频中的图像包含丰富的道路信息,对视频中的道路目标进行检测识别具有重要的研究意义。本文使用深度学习的方法对行车记录仪视频中的道路目标进行检测识别,并设计成安卓应用软件。为了实现这样一个系统,本文的主要工作为:1)在电脑客户端完成对道路目标的检测识别,SSD目标检测框架是使用VGG16网络作为骨干网络实现对目标的检测识别。本文使用改进的SSD检测框架,VGG16网络替换为MobileNet网路,训练MobileNet-SSD网络模型,实现对目标的检测识别。本文主要对交通标志、骑车人、行人三类道路目标进行检测识别,其中交通标志共有105类,本文选取常见的10类进行识别。2)由于行车记录仪视频中的图像比较模糊,清晰度不高,影响了道路目标的识别效果。本文使用Scale-recurrent网络对原始图像进行去模糊处理,并标注去模糊之后的图片用于网络训练,得到新的MobileN... 

【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校

【文章页数】：86 页

【学位级别】：硕士

【部分图文】：

LeNet-5网络的结构

第二章 基于卷积神经网络的图像检测算法像卷积操作如下图所示，输入矩阵大小为 5×5，卷积核的大小为 3×3，步积操作，输出矩阵大小 3×3。输入的矩阵为2 1 0 2 39 5 4 2 02 3 4 5 61 2 3 1 00 4 4 2 8 ，卷积核 1 1 1 ，输出的矩阵为-5 0 1-1 -1 -58 -1 3 。

图 2-5 下采样运算过程基于卷积神经网络的目标检测算法自从 AlexNet 赢得 2012 年 ImageNet 竞赛以来，便引发了 CNN 在图像分类应用中的，使卷积神经网络成为图像分类领域的核心算法。在一个端到端的卷积神经网络模，实现对目标的特征提取，分类识别。基于卷积神经网络的目标检测算法有两类是基于候选区域的检测算法，主要是 RCNN 系列的目标检测，另外一类是基于回归测算法，主要是 YOLO、SSD 系列的检测算法。1 基于候选区域的检测算法RCNN区域卷积神经网络 RCNN[16]（Regions with CNN）融合了卷积神经网络和目标检测，

【参考文献】：
期刊论文
[1]朱佳俊:谷歌自动驾驶技术最新相关进展[J]. 刘春晓.  汽车纵横. 2016(05)
[2]一种基于帧差法与背景减法的运动目标检测新方法[J]. 高凯亮,覃团发,王逸之,常侃.  电讯技术. 2011(10)
[3]基于局部特征的目标识别技术研究[J]. 曹健,王武军,韩飞,刘玉树.  计算机工程. 2010(10)
[4]一种基于颜色特征的目标识别算法[J]. 杨莉,杜艳红,隋金雪,郭玉刚.  微计算机信息. 2007(15)
[5]一种快速模板匹配目标识别算法[J]. 王强,宋京民,胡建平,邱忠文.  计算机工程与应用. 2000(06)

硕士论文
[1]基于深度学习的目标检测算法研究及应用[D]. 万维.电子科技大学 2015



本文编号：2964389