嵌入式深度学习无人驾驶安全研究
发布时间：2022-01-24 17:52
伴随着无人驾驶领域的快速发展,安全防撞技术成为当前研究的核心课题。应用计算机视觉技术采集前方车辆或者障碍物的运动参数,以实现车辆防撞是目前性价比最高的无人驾驶方案。采用卷积神经网络在车辆目标检测与跟踪方向可以保证目标检测的高准确率,然而神经网络算法对硬件资源需求很高,并且高性能的硬件体积都很大,价格上也很昂贵,应用于汽车移动环境有很多不便之处。针对上述问题,本文采用小型嵌入式系统实现卷积神经网络的运动车辆检测与跟踪,来解决资源不足的问题。通过改进神经网络算法降低硬件资源消耗,优化算法性能,满足实时车辆检测与跟踪的需求。本论文主要研究内容如下:1.针对运动车辆的检测提出符合嵌入式平台的算法,使用SSD算法作为检测模型的主要框架,使用轻量级Mobilenet V2算法作为改进框架,大幅度提升检测速度。2.针对车辆跟踪部分,使用SORT算法作为跟踪核心算法,其中使用数据关联的方法,将车辆检测与车辆跟踪技术结合起来,最终实现在嵌入式端实时的车辆检测与跟踪。3.针对嵌入式开发,本文采用RK-3399芯片进行车辆检测与跟踪系统搭建,其中将车辆检测与跟踪算法所需要的框架和库移植到嵌入式端,最终完成实...
【文章来源】：杭州电子科技大学浙江省
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
Darknet-53网络结构
杭州电子科技大学硕士学位论文19()()G=VG,EG可以分成两个子图A=V(A),E(A)和B=V(B),E(B)，满足以下条件的“匹配”是一组边，其中两个边都不具有相同的顶点。()()===ABABGEE(2.19)最大匹配图是指在所有匹配图中具有最大数量的匹配边的图。匈牙利算法是对二分图的最大匹配算法。下列该图简要说明了匈牙利算法。图2.6匈牙利算法2.3.4基于MOT的车辆跟踪的相关概念（1）Trajectory：下图显示了目标跟踪算法的输出。第一个数字每行中的表示帧ID，第二个值表示跟踪ID。的第三个和第四个数字表示上方边界框的顶点坐标左上角。第五和第六个数字代表边界框的高度和宽度。
杭州电子科技大学硕士学位论文20图2.7单一目标跟踪的输出MOT算法[50]为每个跟踪对象分配一个唯一ID，并且唯一ID对应到一条轨迹。如下图所示，边界中心的坐标可以通过左上角顶点和宽度和高度来获得方框。通过对齐中心点成线，就可以形成轨迹。图2.8MOT目标跟踪的输出（2）IDSWITCH：理想情况下，多目标跟踪算法将唯一的ID分配给特定的对象。然而，由于某些因素的影响，ID切换通常会发生。例如目标在某个帧中失去跟踪，并在接下来的几帧中重新跟踪该对象将被分配一个新的唯一ID。ID切换的原因很多，其中包括如下：1.识别算法的准确性不够，在某些情况下会导致一些错误视频郑2.数据关联算法的准确性不够。3.重叠将大大增加ID切换发生的可能性，这将使同时改善识别算法和数据关联的错误算法。2.4本章小结本章节主要从目标的检测和目标的跟踪两方面基本算法进行介绍，目标的检测介绍了卷积神经网络的基本区域模型，包括R-CNN和由它作为基础发展的Fast-RCNN、Faster-R-CNN。介绍其中的原理，并引出了现今在实时性目标检测应用最广且性能最好的YOLO算法和SSD算法，比较其中的性能，本论文选择SSD算法作为改进算法的基础，不仅因为其性能的优点，并且其在第四章引出的MobilenetV2框架契合性最好。此外还介绍了目标跟踪模型。主要介绍了IOU、Kalman滤波跟踪算法、匈牙利算法和MOT跟踪算法为第三章SSD-MobilenetV2算法和第四章SORT跟踪算法做下基础准备。
【参考文献】：
期刊论文
[1]智能无人系统最新研究和应用综述[J]. 崔娟娟,赵鹏,马文静,杜辉. 电子世界. 2019(18)
[2]基于内容的仪器仪表图像检索系统[J]. 伍代民,陶斯超,严佩敏,朱秋煜. 电子测量技术. 2019(11)
[3]基于卡尔曼滤波和多种信息融合的在线多目标跟踪算法[J]. 陈志鸿,黄立勤. 信息通信. 2019(03)
[4]多尺度卷积特征融合的SSD目标检测算法[J]. 陈幻杰,王琦琦,杨国威,韩佳林,尹成娟,陈隽,王以忠. 计算机科学与探索. 2019(06)
[5]基于多特征融合的显著性目标检测算法[J]. 张守东,杨明,胡太. 计算机科学与探索. 2019(05)
[6]目标检测算法研究综述[J]. 方路平,何杭江,周国民. 计算机工程与应用. 2018(13)
[7]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)
[8]基于边缘自适应的Mean Shift目标跟踪方法[J]. 周杨,胡桂明,黄东芳. 电子技术应用. 2017(05)
[9]基于光流法的运动目标检测与跟踪算法[J]. 肖军,朱世鹏,黄杭,谢亚男. 东北大学学报(自然科学版). 2016(06)
[10]基于时变量测方差的多传感器多目标优化分配算法[J]. 方余瑜,左燕,谷雨,薛安克. 火力与指挥控制. 2015(04)
博士论文
[1]中心城市公众出行交通动态信息采集、处理及共享技术研究[D]. 李昊.西南交通大学 2007
本文编号：3607028
【文章来源】：杭州电子科技大学浙江省
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
Darknet-53网络结构
杭州电子科技大学硕士学位论文19()()G=VG,EG可以分成两个子图A=V(A),E(A)和B=V(B),E(B)，满足以下条件的“匹配”是一组边，其中两个边都不具有相同的顶点。()()===ABABGEE(2.19)最大匹配图是指在所有匹配图中具有最大数量的匹配边的图。匈牙利算法是对二分图的最大匹配算法。下列该图简要说明了匈牙利算法。图2.6匈牙利算法2.3.4基于MOT的车辆跟踪的相关概念（1）Trajectory：下图显示了目标跟踪算法的输出。第一个数字每行中的表示帧ID，第二个值表示跟踪ID。的第三个和第四个数字表示上方边界框的顶点坐标左上角。第五和第六个数字代表边界框的高度和宽度。
杭州电子科技大学硕士学位论文20图2.7单一目标跟踪的输出MOT算法[50]为每个跟踪对象分配一个唯一ID，并且唯一ID对应到一条轨迹。如下图所示，边界中心的坐标可以通过左上角顶点和宽度和高度来获得方框。通过对齐中心点成线，就可以形成轨迹。图2.8MOT目标跟踪的输出（2）IDSWITCH：理想情况下，多目标跟踪算法将唯一的ID分配给特定的对象。然而，由于某些因素的影响，ID切换通常会发生。例如目标在某个帧中失去跟踪，并在接下来的几帧中重新跟踪该对象将被分配一个新的唯一ID。ID切换的原因很多，其中包括如下：1.识别算法的准确性不够，在某些情况下会导致一些错误视频郑2.数据关联算法的准确性不够。3.重叠将大大增加ID切换发生的可能性，这将使同时改善识别算法和数据关联的错误算法。2.4本章小结本章节主要从目标的检测和目标的跟踪两方面基本算法进行介绍，目标的检测介绍了卷积神经网络的基本区域模型，包括R-CNN和由它作为基础发展的Fast-RCNN、Faster-R-CNN。介绍其中的原理，并引出了现今在实时性目标检测应用最广且性能最好的YOLO算法和SSD算法，比较其中的性能，本论文选择SSD算法作为改进算法的基础，不仅因为其性能的优点，并且其在第四章引出的MobilenetV2框架契合性最好。此外还介绍了目标跟踪模型。主要介绍了IOU、Kalman滤波跟踪算法、匈牙利算法和MOT跟踪算法为第三章SSD-MobilenetV2算法和第四章SORT跟踪算法做下基础准备。
【参考文献】：
期刊论文
[1]智能无人系统最新研究和应用综述[J]. 崔娟娟,赵鹏,马文静,杜辉. 电子世界. 2019(18)
[2]基于内容的仪器仪表图像检索系统[J]. 伍代民,陶斯超,严佩敏,朱秋煜. 电子测量技术. 2019(11)
[3]基于卡尔曼滤波和多种信息融合的在线多目标跟踪算法[J]. 陈志鸿,黄立勤. 信息通信. 2019(03)
[4]多尺度卷积特征融合的SSD目标检测算法[J]. 陈幻杰,王琦琦,杨国威,韩佳林,尹成娟,陈隽,王以忠. 计算机科学与探索. 2019(06)
[5]基于多特征融合的显著性目标检测算法[J]. 张守东,杨明,胡太. 计算机科学与探索. 2019(05)
[6]目标检测算法研究综述[J]. 方路平,何杭江,周国民. 计算机工程与应用. 2018(13)
[7]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)
[8]基于边缘自适应的Mean Shift目标跟踪方法[J]. 周杨,胡桂明,黄东芳. 电子技术应用. 2017(05)
[9]基于光流法的运动目标检测与跟踪算法[J]. 肖军,朱世鹏,黄杭,谢亚男. 东北大学学报(自然科学版). 2016(06)
[10]基于时变量测方差的多传感器多目标优化分配算法[J]. 方余瑜,左燕,谷雨,薛安克. 火力与指挥控制. 2015(04)
博士论文
[1]中心城市公众出行交通动态信息采集、处理及共享技术研究[D]. 李昊.西南交通大学 2007
本文编号：3607028
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3607028.html
