基于异构计算的车辆检测与跟踪研究

发布时间：2022-04-23 12:36

　　随着物质生活的极大提升,车辆的普及率迅猛增加,传统地面交通形式逐渐不能满足人民的出行需求。汽车自动驾驶技术作为解决交通安全与效率问题的一种重要手段,成为许多机构的研究热点。汽车自动驾驶技术旨在使汽车在不需要人类干预下,便能自动完成对环境的感知与本车运动的规划和控制。车辆检测与跟踪是汽车自动驾驶技术的重要组成部分,其在车辆辅助驾驶、危险报警和主动安全等方面有着很好的应用前景。由于在车辆检测与跟踪所属的环境感知领域对准确性、鲁棒性和实时性有较高的要求,而异构计算平台有着能够依据不同计算资源的计算特性分配工作负载,进行并行计算过程的加速和运行环境的优化的优点,因此异构计算平台可以在满足实时性要求的前提下,实现高复杂度的车辆检测与跟踪方案。基于此,本文分析总结了目标场景对应的图像特征和分类方法,结合主流的异构计算平台计算特性,实现了多种方案并在多种数据集对比分析,并完成实际部署。完成主要工作如下:1)针对实车前向车辆检测与跟踪场景中涉及到的数字图像技术,讨论了多种实际工况中被检测目标的数字图像特征及其基本原理,通过对比实验确定了模型使用的特征。2)对实验中使用的支持向量机和深度神经网络模型的数... 

【文章页数】：77 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
    1.1 研究背景
    1.2 国内外研究现状
        1.2.1 自动驾驶汽车的环境感知现状
        1.2.2 基于视觉的感知现状
        1.2.3 深度学习和其计算平台的现状
        1.2.4 车辆检测与跟踪的现状
    1.3 论文研究内容和结构安排
第二章 特征工程
    2.1 色彩空间
        2.1.1 红绿蓝色彩空间
        2.1.2 色相饱和度亮度色彩空间
        2.1.3 YCb Cr色彩空间
        2.1.4 色彩空间的选取和对比
    2.2 颜色直方图特征
    2.3 方向梯度直方图(HOG)特征
    2.4 本章小结
第三章 支持向量机和卷积神经网络
    3.1 分类器
    3.2 支持向量机
        3.2.1 线性可分支持向量机与硬间隔最大化
        3.2.2 线性可分支持向量机与软间隔最大化
        3.2.3 非线性支持向量机与核函数
    3.3 多层感知机
    3.4 卷积神经网络
        3.4.1 卷积层
        3.4.2 池化层
        3.4.3 逻辑回归函数
    3.5 本章小结
第四章 目标检测与跟踪方法
    4.1 传统检测方法
    4.2 深度学习方法
        4.2.1 基于区域的目标检测方法
        4.2.2 基于回归的目标检测方法
    4.3 目标检测的一些通用概念
        4.3.1 交并比
        4.3.2 非极大值抑制
    4.4 目标跟踪
    4.5 本章小结
第五章 基于异构计算平台的深度学习应用研究
    5.1 异构计算平台概述
    5.2 CUDA和cu DNN
    5.3 深度学习框架的研究
        5.3.1 Tensor Flow
        5.3.2 Keras
        5.3.3 Caffe
    5.4 利用Tensor RT进行模型的优化和部署
    5.5 本章小结
第六章 实验设计与分析
    6.1 数据集
        6.1.1 自采数据集
        6.1.2 公开数据集
    6.2 实验环境
    6.3 实验评价标准
        6.3.1 识别精度
        6.3.2 识别效率
    6.4 实验过程
        6.4.1 支持向量机方法
        6.4.2 深度学习方法
        6.4.3 模型评估
    6.5 本章小结
第七章 总结与未来的工作
    7.1 总结
    7.2 未来的工作
参考文献
致谢
作者简介



本文编号：3647189