基于卷积神经网络的道路多目标检测算法研究

发布时间：2022-07-16 19:50

　　随着物联网和人工智能的迅速发展,自动驾驶技术引起了全球学术界及工业界的广泛关注,其中,道路多目标检测是自动驾驶技术的重要实现技术之一。由于实际交通场景复杂多变,检测的目标通常具有不同的形态、颜色、光亮和遮挡等多变因素,使得基于传统统计学习的道路多目标检测方法早已无法满足自动驾驶的需求,研究高性能的道路多目标检测算法成为迫切且极具挑战的任务。而卷积神经网络具有自适应、自学习和快速处理运算的能力,为道路多目标检测提供了一种新思路。鉴于此,本文立足于卷积神经网络理论,开展基于卷积神经网络的道路多目标检测算法研究,主要研究内容如下:（1）基于Faster Region-based Convolutional Neural Network（Faster R-CNN）的车辆目标检测算法研究。首先设计车辆目标检测系统框架,对Faster R-CNN框架结构及损失函数进行深入研究。然后创建车辆数据集并采用数据增强技术扩大数据集,通过微调Faster R-CNN模型参数,研究网络参数对车辆目标检测性能的影响。实验结果分析表明:Faster R-CNN用于车辆目标检测时存在检测精度低、检测速度慢以及难以检... 

【文章页数】：75 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 课题研究背景及意义
    1.2 道路多目标检测方法的国内外研究现状
        1.2.1 基于统计学习的方法
        1.2.2 基于卷积神经网络的方法
    1.3 论文主要研究内容
    1.4 论文章节安排
2 卷积神经网络相关基础理论
    2.1 引言
    2.2 卷积神经网络
        2.2.1 卷积神经网络基本结构
        2.2.2 常用卷积神经网络模型
    2.3 基于卷积神经网络的目标检测算法
        2.3.1 R-CNN算法
        2.3.2 Fast R-CNN算法
        2.3.3 Faster R-CNN算法
    2.4 本章小结
3 基于Faster R-CNN的车辆目标检测算法研究
    3.1 引言
    3.2 车辆目标检测框架
    3.3 Faster R-CNN算法
        3.3.1 RPN模型
        3.3.2 RPN损失函数
    3.4 实验结果与分析
        3.4.1 数据集的构建
        3.4.2 评价指标
        3.4.3 实验结果与分析
    3.5 本章小结
4 基于改进Faster R-CNN的车辆目标检测算法研究
    4.1 引言
    4.2 车辆目标检测框架
    4.3 Faster R-CNN算法改进
        4.3.1 DCN结构
        4.3.2 AVRN结构和损失函数
        4.3.3 VALN结构和损失函数
        4.3.4 AVRN和 VALN训练
    4.4 实验结果与分析
    4.5 本章小结
5 基于改进Faster R-CNN的道路多目标检测算法研究
    5.1 引言
    5.2 道路多目标检测整体框架
    5.3 道路多目标检测算法
        5.3.1 AOPN结构、损失函数以及训练过程
        5.3.2 OALN结构、损失函数以及训练过程
    5.4 实验结果与分析
        5.4.1 数据集
        5.4.2 结果与分析
    5.5 本章小结
6 总结与展望
    6.1 总结
    6.2 展望
参考文献
致谢
个人简介



本文编号：3663175