【摘要】：智能交通系統(tǒng)在緩解交通壓力、提高交通效率和保障交通安全等方面發(fā)揮著重要作用,一直受到人們的廣泛關(guān)注。車輛前方目標(biāo)的自動檢測是智能交通系統(tǒng)的重要組成部分。另一方面,隨著深度學(xué)習(xí)技術(shù)的飛速發(fā)展,利用深度神經(jīng)網(wǎng)絡(luò)進(jìn)行目標(biāo)的檢測與分類己經(jīng)成為近些年來業(yè)界的共識。因此,本文采用基于深度學(xué)習(xí)的方法,針對道路目標(biāo)檢測中目標(biāo)尺寸較小、目標(biāo)全時段檢測及目標(biāo)樣本不均衡等問題進(jìn)行深入討論,具體的研究工作及成果如下:(1)針對交通標(biāo)志尺寸較小的問題,本文基于Faster R-CNN(Faster Region-based Convolutional Neural Networks)檢測算法,搭建并實(shí)現(xiàn)了特征金字塔網(wǎng)絡(luò),綜合利用粗粒度與細(xì)粒度特征進(jìn)行交通標(biāo)志的檢測。實(shí)驗(yàn)結(jié)果表明,本文所用方法與原始Faster R-CNN相比,交通標(biāo)志的檢測精度得到了大幅提升,相比其他同類算法的檢測性能也表現(xiàn)出了一定的優(yōu)越性。(2)針對機(jī)動車的全時段檢測問題,本文在R-FCN(Region-based Fully Convolutional Networks)檢測算法的基礎(chǔ)上,設(shè)計(jì)并實(shí)現(xiàn)了一種新的全時段機(jī)動車檢測框架。該框架以檢測性能為目標(biāo),自適應(yīng)劃分不同的光照環(huán)境,實(shí)現(xiàn)機(jī)動車的全時段檢測。實(shí)驗(yàn)結(jié)果表明,本文提出的框架不僅在一定程度上改善了機(jī)動車的檢測性能,而且大幅度節(jié)約了計(jì)算資源,實(shí)現(xiàn)了檢測系統(tǒng)的整體優(yōu)化。(3)針對多類目標(biāo)同時檢測時的樣本不均衡問題,本文提出了一種目標(biāo)檢測分級結(jié)構(gòu),實(shí)現(xiàn)道路場景中行人、機(jī)動車、交通標(biāo)志、障礙物等常見目標(biāo)的同時檢測。除數(shù)據(jù)增強(qiáng)外,所提方法利用分級檢測的思想,對道路場景中樣本較少的交通標(biāo)志進(jìn)行由粗到細(xì)的兩級檢測。實(shí)驗(yàn)結(jié)果表明,本文提出的策略可以緩解多類目標(biāo)同時檢測時的樣本不均衡問題,提高多類目標(biāo)同時檢測的整體精度。綜上所述,本文針對前方道路目標(biāo)檢測中的多個問題,提出了較為有效的解決方案,一定程度上改善了小目標(biāo)檢測、全時段檢測及多類同時檢測的效果,為后續(xù)輔助駕駛及自動駕駛系統(tǒng)的開發(fā)奠定了基礎(chǔ)。
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP18;TP391.41;U495
【圖文】：

擇性搜索算法提取候選框，耗時巨大，無法滿足實(shí)時應(yīng)用的需求。逡逑直到２０１５年，Ｒｅｎ等人在以上兩種算法的基礎(chǔ)上提出了新的Ｆａｓｔｅｒ邋Ｒ－ＣＮＮ算逡逑法，實(shí)現(xiàn)了真正的端到端的檢測和訓(xùn)練，其結(jié)構(gòu)如圖２－１所示。逡逑W建議網(wǎng)絡(luò)Ｊ候選框逡逑（０0／逡逑ｐ邋一邋預(yù)測逡逑卷積層邐特征圖邐感興趣區(qū)域池化逡逑圖２－１邋Ｆａｓｔｅｒ邋Ｒ－ＣＮＮ算法結(jié)構(gòu)示意圖逡逑Ｆｉｇｕｒｅ邋２－１邋Ａｒｃｈｉｔｅｃｔｕｒｅ邋ｏｆ邋Ｆａｓｔｅｒ邋Ｒ－ＣＮＮ逡逑１０逡逑

圖２－２人類視覺系統(tǒng)結(jié)構(gòu)示意圖［７ｅＩ逡逑Ｆｉｇｕｒｅ邋２－２邋Ｓｔｒｕｃｔｕｒｅ邋ｏｆ邋ｈｕｍａｎ邋ｖｉｓｕａｌ邋ｓｙｓｔｅｍ１７０＇逡逑從圖２－２中可以看出，在接收到信息后，大腦需要對其進(jìn)行不斷地迭代和抽象。逡逑視網(wǎng)膜在接收到原始信息后，信息首先進(jìn)入低層的ＶＩ區(qū)域，經(jīng)過初步處理后得到逡逑邊緣、方向、角度等特征信息，其次經(jīng)由Ｖ２區(qū)域的進(jìn)一步抽象得到輪廓、形狀等逡逑特征信息，如此迭代地經(jīng)過更多更高層的抽象后，得到整個目標(biāo)以及目標(biāo)的行為逡逑信息，從而對目標(biāo)進(jìn)行更為精細(xì)的分類。逡逑這說明高層特征是由低層特征組合而成的。當(dāng)層級越高時，其特征表示也就逡逑越抽象，而越高的抽象層面則代表著越少的可能性猜測，越有利于分類。逡逑（２）神經(jīng)網(wǎng)絡(luò)的層級結(jié)構(gòu)之特征可視化逡逑卷積神經(jīng)網(wǎng)絡(luò)也具有與人腦相似的層級結(jié)構(gòu)。在神經(jīng)網(wǎng)絡(luò)中，生成低層特征逡逑圖的降采樣幅度較小

ｃｏｎｖ５＿３層的感受野大小示意圖如圖２－４所示。逡逑表２－１邋ＶＧＧ－１６中不同層的感受野大小逡逑Ｔａｂｌｅ邋２－１邋Ｒｅｃｅｐｔｉｖｅ邋ｆｉｅｌｄ邋ｏｆ邋ｄｉｆｆｅｒｅｎｔ邋ｌａｙｅｒｓ邋ｉｎ邋ＶＧＧ－１６逡逑層級邐ｃｏｎｖ２＿ｌ邐ｃｏｎｖ３＿ｌ邐ｃｏｎｖ３＿３邐ｃｏｎｖ４＿ｌ邐ｃｏｎｖ４＿３邐ｃｏｎｖ５＿ｌ邐ｃｏｎｖ５＿３逡逑感受野大小邋１０邐２４邐４０邐６０邐９２邐１３２邐１９６逡逑１３逡逑

【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 楊永輝;黃磊;劉昌平;;基于視頻分析的車輛排隊(duì)長度檢測[J];計(jì)算機(jī)應(yīng)用研究;2011年03期

相關(guān)碩士學(xué)位論文 前1條

1 何春燕;基于卷積神經(jīng)網(wǎng)絡(luò)的車行環(huán)境多類障礙物檢測與識別[D];重慶郵電大學(xué);2017年

本文編號：2765724