基于YOLOV3算法的FL-YOLO多目标检测系统
发布时间：2021-11-19 21:34
近年来,自动驾驶在汽车和人工智能行业刮起了一股研究热潮。在汽车自动驾驶技术中,复杂环境中目标物体的识别和判别是一项高难度的挑战,也是需要解决的重点任务之一。目标检测不仅是计算机视觉研究中的重要分支,也是自动驾驶系统中的一个关键环节和任务。由于实际道路况的复杂性,基于传统目标检测的辅助汽车驾驶技术性很难得到大幅度提升。在自动汽车驾驶的目标检测应用中,车辆检测和行人检测是最常见的检测任务。由于在实际汽车路况中,自动驾驶前车中车辆和行人检测的效果易受到光照,拍摄角度、天气、遮挡等影响。目前的R-CNN系列算法是目标检测领域中最常用的深度学习算法。该系列算法虽然在实验中拥有较高的检测精度,但由于网路复杂性会在实时检测性时产生交高的延迟性,使得该系列算法很难在工业应用中推广。基于回归方法的端到端YOLO系列算法不仅降低了卷积网络复杂性,还满足了工业应用中实时检测要求。本文基于目前工业中最新YOLOv3算法提出一种适用于自动驾驶环境下的车辆和行人多目标检测FL-YOLO系统。本文基于YOLOv3算法针对自动驾驶中车辆和行人的多目标检测存在问题,从如下三大方面提出了FL-YOLO系统的优化:（1）为...
【文章来源】：重庆三峡学院重庆市
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
YOLOv3目标检测过程
取出目标的高语义信息来检测事物。虽然可以对特征图采用不同尺度缩放然后来检测，但是在实际应用中此方法精度不是很高。在YOLOv2中首先使用3*3小卷积核和2*2的最大卷积将特征图尺寸缩小到原先的一倍，其次将通道数量翻倍后再使用1*1的卷积核对特征图进行通道压缩来实现特征融合。区别于传统的图像金字塔中将高维信息融合到低维后网络通过使用不同规模的多个网络来产生预测。FPN（FeaturePyramidnetwork）既可以对不同尺度的特征进行融合，也能在不同的尺度的特征下进行预测[41]。其多尺度融合与预测如下图2.4所示。图2.4FPN提取示意图在YOLOv3在特征图（featuremap）输出之前网络中借鉴SSD中FPN方法提出一种FPN与上采样（UpSampling）相结合的方法，改进了特征图中多个高层信息与低层信息融合中细粒度目标特征信息丢失的问题。此方法基本思想是：基于当前特征图，使用上采样方法将某个卷积层输出特征进行拼接成为一个新的特征图。此结构不仅可以提高细粒度目标的特征丰富性也帮助算法提高了目标预测的准确性。2.1.2.3网络输入和输出YOLOv1在输出端使用了全连接层，因此它的特征具有类似特征金字塔网络的功能，可提高算法的检测精度。由于YOLOv3整个Darknet-53结构中没有池化层和全连接层，故在前向传播过程中，网路输出的张量尺寸变换是通过改变卷积核的步长来实现的。例如Darknet-53使用步长为2的卷积来实现。此方法可以将图像尺寸缩小为原先的一半、面积缩小到原来的1/4。在YOLOv3特征提取中共有五次下采样，将特
13IOUobjScoreobj=*)Pr(IOUobjobjclassScoreiclass=|*)Pr(*)Pr(htwtbePbePCtbCtbyhwwyyyxxx**)()(==+=+=δδ图2.5坐标计算示意图（4）计算每个预测边界框的目标置信度得分对所有的预测边界框计算目标是否存在的置信度分数（其计算公式如式2.2所示）。在式2.2中)Pr(obj为网格单元中目标存在概率，IOU是预测边界框与实际边框的重合率；若网格单元中不存在任何对象，则obj0)Pr(=，否则obj1)Pr(=；式2.2（5）计算预测边界框中的每个类别置信度得分式2.3在式2.3中objclss)|Pr(i是指目标属于类别i可能概率，若该目标属于i类型，则objclss1)|Pr(=i，否则objclss0)|Pr(=i。（6）选出最佳预测边界框。记三个不同尺寸特征图经过YOLO检测输出的所有预测边界框个数为i，则对应的预测边界框记为ix。设目标置信度得分最高的预测边界框为A，则其他边界框为i1x。首先计算i1x与A的IOU，并设置IOU阈值为b，若xbAIOUi>),(1，则从i1x中舍弃此预测边界框，否则保留。设i1个预测边界框中有j个被舍弃，则剩下ji个预测边界框记为jix。计算ijx与真实目标边界框的IOU。使用用非极大抑制函数NMS（Non-MaximumSuppression）消除多余预测边界框，找到(IOUMax)ji对应的预测边界框作为YOLO目标检测的最终输出预测边界框。式2.1CxCybwPwPhbhδt)(yδt)(x
【参考文献】：
期刊论文
[1]基于改进YOLOv3的快速车辆检测方法[J]. 张富凯,杨峰,李策. 计算机工程与应用. 2019(02)
[2]基于深度卷积神经网络实现端子批量识别研究[J]. 王廷凰,舒丽,王来华,戴坤. 科技资讯. 2019(01)
[3]融合YOLO检测与均值漂移的目标跟踪算法[J]. 王忠民,段娜,范琳. 计算机工程与应用. 2019(10)
[4]基于YOLO3的人脸自动跟踪摄像机器人系统研究[J]. 朱晨阳,冯虎田,欧屹. 电视技术. 2018(09)
[5]基于改进SSD的轻量化小目标检测算法[J]. 吴天舒,张志佳,刘云鹏,裴文慧,陈红叶. 红外与激光工程. 2018(07)
[6]基于深度残差学习的自动驾驶道路场景理解[J]. 宋锐,施智平,渠瀛,邵振洲,关永. 计算机应用研究. 2019(09)
[7]基于YOLOv2的复杂场景下车辆目标检测[J]. 李云鹏,侯凌燕,王超. 电视技术. 2018(05)
[8]基于深度学习的自动驾驶技术综述[J]. 张新钰,高洪波,赵建辉,周沫. 清华大学学报(自然科学版). 2018(04)
[9]自动驾驶场景下小且密集的交通标志检测[J]. 葛园园,许有疆,赵帅,韩亚洪. 智能系统学报. 2018(03)
[10]实时目标检测算法YOLO的批再规范化处理[J]. 温捷文,战荫伟,凌伟林,郭灿樟. 计算机应用研究. 2018(10)
博士论文
[1]移动变尺度目标检测与跟踪算法研究[D]. 顾钦.电子科技大学 2018
硕士论文
[1]基于深度学习的卫星遥感图像舰船检测[D]. 张靖奇.哈尔滨工业大学 2019
[2]无重叠视域行人再识别的研究与实现[D]. 杨丹妹.合肥工业大学 2019
[3]基于深度学习的交通标志识别及实现[D]. 许庆志.北京交通大学 2018
[4]基于深度卷积神经网络和图像传感器的道路多目标检测研究[D]. 谢一德.北京交通大学 2018
[5]基于区域生成网络的自动驾驶系统行人检测算法实现[D]. 王宾.西南交通大学 2018
[6]基于深度神经网络的道路目标检测研究[D]. 陈佳鹏.西南交通大学 2018
[7]基于卷积神经网络的道路目标检测算法研究与实现[D]. 刘宇.武汉大学 2018
[8]面向自动驾驶的语义分割和目标检测技术[D]. 郭继舜.电子科技大学 2018
[9]基于深度学习的目标检测算法研究[D]. 温捷文.广东工业大学 2018
[10]基于深度学习的目标检测系统的研发[D]. 韩飞腾.首都经济贸易大学 2017
本文编号：3505912
【文章来源】：重庆三峡学院重庆市
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
YOLOv3目标检测过程
取出目标的高语义信息来检测事物。虽然可以对特征图采用不同尺度缩放然后来检测，但是在实际应用中此方法精度不是很高。在YOLOv2中首先使用3*3小卷积核和2*2的最大卷积将特征图尺寸缩小到原先的一倍，其次将通道数量翻倍后再使用1*1的卷积核对特征图进行通道压缩来实现特征融合。区别于传统的图像金字塔中将高维信息融合到低维后网络通过使用不同规模的多个网络来产生预测。FPN（FeaturePyramidnetwork）既可以对不同尺度的特征进行融合，也能在不同的尺度的特征下进行预测[41]。其多尺度融合与预测如下图2.4所示。图2.4FPN提取示意图在YOLOv3在特征图（featuremap）输出之前网络中借鉴SSD中FPN方法提出一种FPN与上采样（UpSampling）相结合的方法，改进了特征图中多个高层信息与低层信息融合中细粒度目标特征信息丢失的问题。此方法基本思想是：基于当前特征图，使用上采样方法将某个卷积层输出特征进行拼接成为一个新的特征图。此结构不仅可以提高细粒度目标的特征丰富性也帮助算法提高了目标预测的准确性。2.1.2.3网络输入和输出YOLOv1在输出端使用了全连接层，因此它的特征具有类似特征金字塔网络的功能，可提高算法的检测精度。由于YOLOv3整个Darknet-53结构中没有池化层和全连接层，故在前向传播过程中，网路输出的张量尺寸变换是通过改变卷积核的步长来实现的。例如Darknet-53使用步长为2的卷积来实现。此方法可以将图像尺寸缩小为原先的一半、面积缩小到原来的1/4。在YOLOv3特征提取中共有五次下采样，将特
13IOUobjScoreobj=*)Pr(IOUobjobjclassScoreiclass=|*)Pr(*)Pr(htwtbePbePCtbCtbyhwwyyyxxx**)()(==+=+=δδ图2.5坐标计算示意图（4）计算每个预测边界框的目标置信度得分对所有的预测边界框计算目标是否存在的置信度分数（其计算公式如式2.2所示）。在式2.2中)Pr(obj为网格单元中目标存在概率，IOU是预测边界框与实际边框的重合率；若网格单元中不存在任何对象，则obj0)Pr(=，否则obj1)Pr(=；式2.2（5）计算预测边界框中的每个类别置信度得分式2.3在式2.3中objclss)|Pr(i是指目标属于类别i可能概率，若该目标属于i类型，则objclss1)|Pr(=i，否则objclss0)|Pr(=i。（6）选出最佳预测边界框。记三个不同尺寸特征图经过YOLO检测输出的所有预测边界框个数为i，则对应的预测边界框记为ix。设目标置信度得分最高的预测边界框为A，则其他边界框为i1x。首先计算i1x与A的IOU，并设置IOU阈值为b，若xbAIOUi>),(1，则从i1x中舍弃此预测边界框，否则保留。设i1个预测边界框中有j个被舍弃，则剩下ji个预测边界框记为jix。计算ijx与真实目标边界框的IOU。使用用非极大抑制函数NMS（Non-MaximumSuppression）消除多余预测边界框，找到(IOUMax)ji对应的预测边界框作为YOLO目标检测的最终输出预测边界框。式2.1CxCybwPwPhbhδt)(yδt)(x
【参考文献】：
期刊论文
[1]基于改进YOLOv3的快速车辆检测方法[J]. 张富凯,杨峰,李策. 计算机工程与应用. 2019(02)
[2]基于深度卷积神经网络实现端子批量识别研究[J]. 王廷凰,舒丽,王来华,戴坤. 科技资讯. 2019(01)
[3]融合YOLO检测与均值漂移的目标跟踪算法[J]. 王忠民,段娜,范琳. 计算机工程与应用. 2019(10)
[4]基于YOLO3的人脸自动跟踪摄像机器人系统研究[J]. 朱晨阳,冯虎田,欧屹. 电视技术. 2018(09)
[5]基于改进SSD的轻量化小目标检测算法[J]. 吴天舒,张志佳,刘云鹏,裴文慧,陈红叶. 红外与激光工程. 2018(07)
[6]基于深度残差学习的自动驾驶道路场景理解[J]. 宋锐,施智平,渠瀛,邵振洲,关永. 计算机应用研究. 2019(09)
[7]基于YOLOv2的复杂场景下车辆目标检测[J]. 李云鹏,侯凌燕,王超. 电视技术. 2018(05)
[8]基于深度学习的自动驾驶技术综述[J]. 张新钰,高洪波,赵建辉,周沫. 清华大学学报(自然科学版). 2018(04)
[9]自动驾驶场景下小且密集的交通标志检测[J]. 葛园园,许有疆,赵帅,韩亚洪. 智能系统学报. 2018(03)
[10]实时目标检测算法YOLO的批再规范化处理[J]. 温捷文,战荫伟,凌伟林,郭灿樟. 计算机应用研究. 2018(10)
博士论文
[1]移动变尺度目标检测与跟踪算法研究[D]. 顾钦.电子科技大学 2018
硕士论文
[1]基于深度学习的卫星遥感图像舰船检测[D]. 张靖奇.哈尔滨工业大学 2019
[2]无重叠视域行人再识别的研究与实现[D]. 杨丹妹.合肥工业大学 2019
[3]基于深度学习的交通标志识别及实现[D]. 许庆志.北京交通大学 2018
[4]基于深度卷积神经网络和图像传感器的道路多目标检测研究[D]. 谢一德.北京交通大学 2018
[5]基于区域生成网络的自动驾驶系统行人检测算法实现[D]. 王宾.西南交通大学 2018
[6]基于深度神经网络的道路目标检测研究[D]. 陈佳鹏.西南交通大学 2018
[7]基于卷积神经网络的道路目标检测算法研究与实现[D]. 刘宇.武汉大学 2018
[8]面向自动驾驶的语义分割和目标检测技术[D]. 郭继舜.电子科技大学 2018
[9]基于深度学习的目标检测算法研究[D]. 温捷文.广东工业大学 2018
[10]基于深度学习的目标检测系统的研发[D]. 韩飞腾.首都经济贸易大学 2017
本文编号：3505912
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3505912.html
最近更新
教材专著
