基于深度学习自动驾驶的精确行人检测研究
发布时间：2021-06-30 21:30
近年来,随着深度学习技术与高性能计算机的飞速发展,基于机器视觉的目标检测方法已经渗透到了各个领域,行人检测技术是计算机视觉领域中热门的研究方向之一,在监控安防、汽车自动驾驶等方面扮演着重要的角色。尤其在自动驾驶方面,道路行人检测是自动驾驶应用场景中最重要的检测分析目标之一,准确检测到环境中的行人是完成后续任务或者进行人机交互的重要前置条件。与传统的行人检测技术相比,基于GPU计算的深度学习行人检测技术在检测准确率和检测速度上均有较大的优势。同时,随着自动驾驶领域中基于嵌入式平台的计算机技术飞速发展,在嵌入式终端上部署网络模型进行实时的行人检测亦成为了研究热点与难点。本文研究改进了基于一阶段法的RetinaNet网络,由于嵌入式平台计算资源有限,所以更适合对计算资源要求较低的一阶段法目标检测网络。本文将针对自动驾驶的嵌入式平台对其进行改进。文章对RetinaNet网络的改进主要有两个方面,一是对网络进行轻量化处理。本文在该部分对比了不同的轻量化方法,选择引入MobileNet网络对特征提取网络进行轻量化处理,使得网络模型对嵌入式平台更具有针对性和适应性。二是对分类子网络的损失函数进行优化...
【文章来源】：中南林业科技大学湖南省
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
图１．１研究路线图??Ｆｉｇｕｒｅ?１．１?Ｒｅｓｅａｒｃｈ?ｒｏａｄｍａｐ??
检测网络的理论基础??本文的研究目标是完成对自动驾驶汽车周围环境中行人分布的准确估计。本章??介绍了常用行人检测方法的主要流程，同时也介绍了卷积神经网络的主要特征及其具??体的训练过程。基于卷积神经网络的目标检测方法可以分为两种，即基于区域提议??方法（两阶段法）和回归方法（一阶段法）。前者具有更高的检测精度，而后者能较??好的满足检测的实时性要求。??２．１行人检测流程??行人检测的目标是确定图像中是否存在行人目标，并给出每个目标的边界框。??传统的基于统计学习的行人检测流程如图２．１所示，主要分为两个部分：训练部??分和测试部分。这种方法主要使用大量的正负样本进行训练以获得分类器，并使用??分类器测试样本。??／?／??／?／?ｉ＊鏖感？參泰癱參秦？參？秦？？？＊？■■镰鲁癱暴秦鬱■着■費讀■？秦？鲁？龜泰？秦康????１?正样本?负样本??选定窗Ｕ????????Ｌ——，Ｔ－￣＾????????１?提取特征?提取特征??滑动窗丨】?提取特征??－ｙ－??????１?卜土习１???形》历结束？??Ｉ?Ｉ??图２．１传统行人检测流程??Ｆｉｇｕｒｅ?２．１?Ｔｒａｄｉｔｉｏｎａｌ?ｐｅｄｅｓｔｒｉａｎ?ｄｅｔｅｃｔｉｏｎ?ｐｒｏｃｅｓｓ??在传统行人检测网络的学习过程中，有以下几个流程：??（１）训练数据的读入。该过程对训练数据集有一定的要求，第一是该数据集必??须包含正负两种样本，第二是正样本必须有对应的标签文件；??（２）数据预处理。这个过程将对图像的尺寸进行调整，使其保持一致；??（３）设计特征图。通过输入的正负样本人工进行特征设计；??
，得出感兴趣区域；??（３）提取图像区域特征，即对感兴趣区域进行特征提取；??（４）得出检测结果，将网络提取的特征输入到子网络中进行计算，得出目标的??类别与位置。??传统的行人检测方法是建立在统计学习的基础之上，所以人工特征的设计对网络??性能起着决定性影响。相比之下，深度神经网络方法以大量数据为前提，实现了端到??端的训练方式，将网络中需要的特征选择与提取，目标的分类与定位等任务进行整合??［４６］。大大降低了网络训练流程的复杂度。在行人检测方向，基于深度学习法的流程如??图２．２所示。???????????■？？？？？？？？？？？？？■？■＞??ｙ／输入图像丨?正样本?负样本?｜??，?＼?■?丨■?ｔ?■」?！??Ｍ?＊类器学习?！???１??输出结果??图２．２基于深度学习的行人检测流程??Ｆｉｇｕｒｅ?２．２?Ｐｅｄｅｓｔｒｉａｎ?ｄｅｔｅｃｔｉｏｎ?ｐｒｏｃｅｓｓ?ｂａｓｅｄ?ｏｎ?ｄｅｅｐ?ｌｅａｒｎｉｎｇ??深度神经网络大致可划分为６层：??（１）数据输入层，将数据经过一定的预处理后读入到网络中；??（２）特征提取层，将数据进行不同维度的卷积计算以得出适应不同尺寸目标的??特征图；??（３）子采样层，对特征图进行选择提取；??（４）卷积层，将特征图与局部检测图对应；??（５）隐藏层，将上述过程得到的检测图进行概率计算；??（６）是输出层，输出最终的目标种类和位置。??８??
【参考文献】：
期刊论文
[1]面向目标检测的SSD网络轻量化设计研究[J]. 冯烨,张索非,吴晓富. 信号处理. 2020(05)
[2]基于深度堆叠卷积神经网络的图像融合[J]. 蔺素珍,韩泽. 计算机学报. 2017(11)
[3]深度学习在无人驾驶汽车领域应用的研究进展[J]. 王科俊,赵彦东,邢向磊. 智能系统学报. 2018(01)
[4]目标跟踪技术综述[J]. 高文,朱明,贺柏根,吴笑天. 中国光学. 2014(03)
[5]目标跟踪研究综述[J]. 吕泽华,梁虎,唐赫,王光伟. 计算机工程与科学. 2012(10)
硕士论文
[1]基于卷积神经网络的图像分类算法研究[D]. 刘双.云南财经大学 2020
[2]基于卷积神经网络的图像分类与目标检测[D]. 周韬.广西师范大学 2019
[3]基于改进LeNet-5的人脸表情识别及其嵌入式实现[D]. 单雷.苏州大学 2019
[4]基于深度学习的实时目标检测算法研究与实现[D]. 张焱磊.东南大学 2019
[5]基于深度学习的嵌入式行人检测系统的研究与应用[D]. 邱强.电子科技大学 2019
[6]基于深度神经网络的多尺度目标检测算法研究[D]. 方璐.合肥工业大学 2019
[7]基于目标检测的神经网络压缩与优化算法研究[D]. 彭康坚.杭州电子科技大学 2019
[8]基于卷积神经网络的物体检测研究[D]. 施建源.深圳大学 2018
本文编号：3258534
【文章来源】：中南林业科技大学湖南省
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
图１．１研究路线图??Ｆｉｇｕｒｅ?１．１?Ｒｅｓｅａｒｃｈ?ｒｏａｄｍａｐ??
检测网络的理论基础??本文的研究目标是完成对自动驾驶汽车周围环境中行人分布的准确估计。本章??介绍了常用行人检测方法的主要流程，同时也介绍了卷积神经网络的主要特征及其具??体的训练过程。基于卷积神经网络的目标检测方法可以分为两种，即基于区域提议??方法（两阶段法）和回归方法（一阶段法）。前者具有更高的检测精度，而后者能较??好的满足检测的实时性要求。??２．１行人检测流程??行人检测的目标是确定图像中是否存在行人目标，并给出每个目标的边界框。??传统的基于统计学习的行人检测流程如图２．１所示，主要分为两个部分：训练部??分和测试部分。这种方法主要使用大量的正负样本进行训练以获得分类器，并使用??分类器测试样本。??／?／??／?／?ｉ＊鏖感？參泰癱參秦？參？秦？？？＊？■■镰鲁癱暴秦鬱■着■費讀■？秦？鲁？龜泰？秦康????１?正样本?负样本??选定窗Ｕ????????Ｌ——，Ｔ－￣＾????????１?提取特征?提取特征??滑动窗丨】?提取特征??－ｙ－??????１?卜土习１???形》历结束？??Ｉ?Ｉ??图２．１传统行人检测流程??Ｆｉｇｕｒｅ?２．１?Ｔｒａｄｉｔｉｏｎａｌ?ｐｅｄｅｓｔｒｉａｎ?ｄｅｔｅｃｔｉｏｎ?ｐｒｏｃｅｓｓ??在传统行人检测网络的学习过程中，有以下几个流程：??（１）训练数据的读入。该过程对训练数据集有一定的要求，第一是该数据集必??须包含正负两种样本，第二是正样本必须有对应的标签文件；??（２）数据预处理。这个过程将对图像的尺寸进行调整，使其保持一致；??（３）设计特征图。通过输入的正负样本人工进行特征设计；??
，得出感兴趣区域；??（３）提取图像区域特征，即对感兴趣区域进行特征提取；??（４）得出检测结果，将网络提取的特征输入到子网络中进行计算，得出目标的??类别与位置。??传统的行人检测方法是建立在统计学习的基础之上，所以人工特征的设计对网络??性能起着决定性影响。相比之下，深度神经网络方法以大量数据为前提，实现了端到??端的训练方式，将网络中需要的特征选择与提取，目标的分类与定位等任务进行整合??［４６］。大大降低了网络训练流程的复杂度。在行人检测方向，基于深度学习法的流程如??图２．２所示。???????????■？？？？？？？？？？？？？■？■＞??ｙ／输入图像丨?正样本?负样本?｜??，?＼?■?丨■?ｔ?■」?！??Ｍ?＊类器学习?！???１??输出结果??图２．２基于深度学习的行人检测流程??Ｆｉｇｕｒｅ?２．２?Ｐｅｄｅｓｔｒｉａｎ?ｄｅｔｅｃｔｉｏｎ?ｐｒｏｃｅｓｓ?ｂａｓｅｄ?ｏｎ?ｄｅｅｐ?ｌｅａｒｎｉｎｇ??深度神经网络大致可划分为６层：??（１）数据输入层，将数据经过一定的预处理后读入到网络中；??（２）特征提取层，将数据进行不同维度的卷积计算以得出适应不同尺寸目标的??特征图；??（３）子采样层，对特征图进行选择提取；??（４）卷积层，将特征图与局部检测图对应；??（５）隐藏层，将上述过程得到的检测图进行概率计算；??（６）是输出层，输出最终的目标种类和位置。??８??
【参考文献】：
期刊论文
[1]面向目标检测的SSD网络轻量化设计研究[J]. 冯烨,张索非,吴晓富. 信号处理. 2020(05)
[2]基于深度堆叠卷积神经网络的图像融合[J]. 蔺素珍,韩泽. 计算机学报. 2017(11)
[3]深度学习在无人驾驶汽车领域应用的研究进展[J]. 王科俊,赵彦东,邢向磊. 智能系统学报. 2018(01)
[4]目标跟踪技术综述[J]. 高文,朱明,贺柏根,吴笑天. 中国光学. 2014(03)
[5]目标跟踪研究综述[J]. 吕泽华,梁虎,唐赫,王光伟. 计算机工程与科学. 2012(10)
硕士论文
[1]基于卷积神经网络的图像分类算法研究[D]. 刘双.云南财经大学 2020
[2]基于卷积神经网络的图像分类与目标检测[D]. 周韬.广西师范大学 2019
[3]基于改进LeNet-5的人脸表情识别及其嵌入式实现[D]. 单雷.苏州大学 2019
[4]基于深度学习的实时目标检测算法研究与实现[D]. 张焱磊.东南大学 2019
[5]基于深度学习的嵌入式行人检测系统的研究与应用[D]. 邱强.电子科技大学 2019
[6]基于深度神经网络的多尺度目标检测算法研究[D]. 方璐.合肥工业大学 2019
[7]基于目标检测的神经网络压缩与优化算法研究[D]. 彭康坚.杭州电子科技大学 2019
[8]基于卷积神经网络的物体检测研究[D]. 施建源.深圳大学 2018
本文编号：3258534
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3258534.html
最近更新
教材专著
