基于深度学习的车辆检测算法研究及系统实现

发布时间：2021-06-16 06:31

　　随着计算机科学、通讯技术、自动控制原理等学科的发展,无人驾驶汽车从科幻走向现实,包括google在内的多家科技公司对无人驾驶汽车领域所涉及的自动驾驶技术表现出前所未有的研究热情,而其中对车辆检测算法的研究也已成为无人驾驶汽车在实现过程中的热点研究领域。近年来随着GPU技术的成熟,业内深度学习算法的理论研究上升到一个新的台阶,兴起了一批以CNN深度神经网络结构为基础的图像检测算法革新,他们相较浅层机器学习算法在检测精度方面有了明显提升。但因其存在网络规模过大导致的计算量过大问题,使其在嵌入式实现时困难重重,难以到达车辆检测任务的实时性要求,且过高的硬件实现成本使其难以在短时间内在车辆检测领域达到应用级要求。本文首先以提高基于深度学习的车辆检测算法的性能为目标,数据优化方面针对车辆检测任务对场景图片的要求,提出通过误差曲线分析方法和误差表格分析方法,重建深度学习算法所用的数据集,实现数据集优化。参数优化方面对深度学习算法中的关键参数进行对比选择,提取出最适合车辆检测任务的一组算法参数。通过以上的研究和实验,完成深度学习算法的优化和检测精度提升。其次,针对深度学习算法在嵌入式实现时计算量过大... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：93 页

【学位级别】：硕士

【部分图文】：

卷积神经网络整体结构

图 2-2 卷积过程例述如图所示，在卷积期间，每个滤波器每次仅处理部分输入数据，并获得一个输出值。然后卷积核移动到下一个部分并使用相同的参数处理数据，称之为稀疏交互和参数共享[21]。稀疏交互的概念来自本地接收域（LRF）的概念。感受野是一种神经科学概念，由 Torsten Wiesel 和 David H. Hubel 于 1962 年提出[22]。他们在 1959 年对猫的视觉皮层进行了一项实验，发现不同的神经元对不同的空间分布有特定的偏好。视觉区域可以产生对某些视觉神经元的刺激，称为神经元的感受野作为神经元，对其感受野中的边界信息更敏感。基于感受野的概念，福岛在 1983 年提出了一种新的视觉模式识别方法 Neocognitron [23]。Neocognitron 可以看作是第一个卷积神经网络工具。稀疏相互作用意味着卷积神经网络中的特征受体（卷积核）仅需要“检测”输入数据的一部分。 通过这种方式，每个特定神经元只需要连接几个输入层节点，而不是所有节点。 它的意义与对人类图片识别其中一个关键环节现实对应。 观

图 2-3 目标特征示意图测这张照片中的鸟，需要找到诸如鸟眼睛、翅膀等特征在这张图片中（识别）以及存在的位置核大小（检测）这张照片中找到“喙”这个特征。当检测到该功能时，得到所示图片中“喙”的特征，只需要检测图片的某些喙时可以确认此图片中存在此特征，而该特征所处的位生动的解释稀疏交互的概念，见图 2-4：

【参考文献】：
期刊论文
[1]基于异构多核并行加速的嵌入式神经网络人脸识别方法[J]. 高放,黄樟钦.  计算机科学. 2018(03)
[2]基于车底阴影的前方运动车辆检测[J]. 齐美彬,潘燕,张银霞.  电子测量与仪器学报. 2012(01)



本文编号：3232565