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

发布时间：2021-06-05 08:19

　　对道路上的多种类目标进行感知、定位和识别,在智能交通、机器人研究、无人驾驶、视频监控等领域都具有较强的学术意义和工程意义。由于道路目标繁杂,多种类,不同数量的道路目标同时出现概率极高,同时由于目标的特征提取受天气,遮挡等因素的影响较大,因此对于道路上多目标的检测,分类及定位是一个具有多重挑战的综合问题。现有的深度学习目标识别框架主要分为两种,一种是以Faster R-CNN为代表的基于RPN（候选区域选择网络）的卷积网络框架,识别精度较高,但是识别速度很低。第二种是利用回归思想,以YOLO网络为代表的卷积网络框架,识别精度较低,但是处理速度很快。这两个目标检测算法基于国外公开数据集VOC,COCO等,对我国道路环境下的常见目标,存在识别不全、不准的情况。针对上述存在的问题,本文在FasterR-CNN和YOLO算法的区域选择思想和回归思想上,对其进行改进并构建针对道路多目标检测的深度卷积网络。首先本文对公开数据集VOC2007和VOC2012进行扩充,通过网络爬虫和拍摄的方式,对原有的道路目标进行增强,并新增了信号灯等道路目标类别。之后对流行深度学习框架进行简单测评,通过对比选择Ten... 

【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校

【文章页数】：110 页

【学位级别】：硕士

【部分图文】：

图１－２计算机视觉领域的三类基本任务??

ＮＶＩＤＩＡ公司所开发的ＣＵＤＡ及ＣＵＤＮＮ运行套件，极大的加速了??矩阵的计算速度。在Ｇｒａｐｈｉｃｓ?Ｐｒｏｃｅｓｓｉｎｇ?Ｕｎｉｔ?（ＧＰＵ）计算的帮助下，深度神经网??络发展迅速。截止至２０１６年，在图像领域的深度卷积网路的发展可以由图１－３来??概括。??Ｃｏｍｂｉｎａｔｉｏｎ，??Ｇｏ?ｄｅｅｐｅｒ?????ｄｅｅｐｅｒ?ｎｅｔ?ａｎｄ??？?ＶＧＧ１６?—＞?ＶＧＧ１９?——？?ＭＳＲＡＮｅｔ?ｆａｓｔｅｒ?ｃｏｎｖｅｒｇｅｎｃｅ??Ｅｎｈａｎｃｅｄ?ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｌａｙｅｒ?ａｂｉｌｉｔｙ?－?ＲｅｓＮｅｔ??ｒｒ??Ｆｒｏｍ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｔｏ?ｄｅｔｅｃｔｉｏｎ??＂?４?—？?ＦｏｓｔＲ－ＣＮＮ?—？?Ｆａｓｔ＾?Ｒ－ＣＮＮ??ｌ＿ｅＮｅｔ?＇）?Ａｄｄ?ｎｅｗ?ｆｕｎｃｔｉｏｎ?ｍｏｄｕｌｅ??ＧＰ＾Ｂｉｇｄａｔａ??＾?ｌｎｃ？ｐｔ？ｏｎ?Ｖ２?ＦＣＮ?ＳＴＮｅｔ?ＣＮＮ＾ＲＮＮ／ＬＳＴＭ??图１－３深度卷积网络的进化历程??Ｆｉｇｕｒｅ?１－３?Ｅｖｏｌｕｔｉｏｎａｒｙ?ｈｉｓｔｏｒｙ?ｏｆ?ｄｅｅｐ?ｃｏｎｖｏｌｕｔｉｏｎ?ｎｅｔｗｏｒｋｓ??由图中我们可以看出，卷积神经网络经过三个阶段的发展。第一个阶段是的理??论提出阶段

在于可以极大加速检测过程，在ＮＶＩＤＩＡＴＩＴＡＮＸ上可以达到４５ｆｐｓ的处理速度。??但是缺点也比较明显，对于重叠的物体或小物体，检测能力较弱。??对于目标检测算法的性能对比见图１－４。可见ＹＯＬＯ算法和Ｆａｓｔｅｒ?Ｒ－ＣＮＮ算??法，在实现道路目标检测任务上具有较高的高进价值和可行性。??９??

【参考文献】：
期刊论文
[1]一种基于深度学习的新型小目标检测方法[J]. 陈江昀.  计算机应用与软件. 2017(10)
[2]基于深度学习的短时交通流预测[J]. 罗向龙,焦琴琴,牛力瑶,孙壮文.  计算机应用研究. 2017(01)
[3]基于深度学习模型的行人检测研究与仿真[J]. 曾敏,周益龙.  南京邮电大学学报(自然科学版). 2015(06)
[4]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正.  计算机应用研究. 2012(08)
[5]基于HOG的行人快速检测[J]. 叶林,陈岳林,林景亮.  计算机工程. 2010(22)

硕士论文
[1]基于深度属性学习的交通标志识别方法研究[D]. 王坚.北京交通大学 2017
[2]智能交通系统中基于机器视觉的交通流量统计研究[D]. 彭智.电子科技大学 2016
[3]基于深度卷积神经网络的室外场景理解研究[D]. 文俊.杭州电子科技大学 2016
[4]基于深度学习的行人检测[D]. 王斌.北京交通大学 2015



本文编号：3211797