隨著經(jīng)濟(jì)和科技的發(fā)展城市車輛數(shù)量不斷上漲,智能交通系統(tǒng)開始逐漸應(yīng)用到人們的日常生活中�，F(xiàn)代化城市交通中,視頻監(jiān)控覆蓋了大部分的行車區(qū)域,基于計(jì)算機(jī)視覺深度學(xué)習(xí)的車輛檢測方法可廣泛應(yīng)用于交通視頻圖像這一場景。但在現(xiàn)實(shí)場景的應(yīng)用中現(xiàn)有的目標(biāo)檢測方法的精準(zhǔn)度仍然無法滿足實(shí)際的需求,因此如何實(shí)現(xiàn)復(fù)雜環(huán)境下精準(zhǔn)的車輛檢測對(duì)智能交通有著重大的研究意義。本文對(duì)城市交通場景下的車輛檢測問題進(jìn)行研究,提出了改進(jìn)YOLOv3的交通車輛檢測方法,并在本文提出的數(shù)據(jù)增廣后的KITTI交通車輛數(shù)據(jù)集上進(jìn)行訓(xùn)練。本文在數(shù)據(jù)增廣方法的研究上,提出了將混合數(shù)據(jù)增廣和CutMix數(shù)據(jù)增廣用于目標(biāo)檢測數(shù)據(jù)集的方法,并應(yīng)用于車輛類別篩選后的KITTI車輛數(shù)據(jù)集。通過實(shí)驗(yàn)得出結(jié)論CutMix數(shù)據(jù)增廣為KITTI數(shù)據(jù)集的最佳數(shù)據(jù)增廣方法,作為本文構(gòu)建的訓(xùn)練數(shù)據(jù)集。本文在目標(biāo)檢測算法研究方面,對(duì)YOLOv3目標(biāo)檢測模型進(jìn)行了改進(jìn)用于車輛檢測。改進(jìn)分為兩點(diǎn),首先,借鑒了可變形卷積網(wǎng)絡(luò)（Deformable Convolutional Networks,DCN）的思想,對(duì)YOLOv3原始的Darknet-53主干網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化,在... 

【文章來源】：青島大學(xué)山東省

【文章頁數(shù)】：66 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

卷積神經(jīng)網(wǎng)路的循環(huán)結(jié)構(gòu)

青島大學(xué)碩士學(xué)位論文8圖2.2卷積運(yùn)算過程根據(jù)卷積的運(yùn)算規(guī)定，當(dāng)輸入圖像大小為n×n，填充長度為p，卷積核大小為f，步長為s時(shí)，計(jì)算輸出特征圖大小的公式為：2-(1)而通常情況下，輸入圖像和卷積核都不是1維度的，當(dāng)卷積核有多個(gè)維度時(shí)，每個(gè)維度的卷積核要與輸入特征圖的所有維度做卷積運(yùn)算然后全部累加在一起，從而得到輸出特征圖的一個(gè)維度。卷積層相對(duì)與其他特征提取層的優(yōu)勢在于，輸出層所有維度的值都是通過一個(gè)卷積核來完成計(jì)算的，這是一種共享權(quán)值的思想，不管是在神經(jīng)網(wǎng)絡(luò)前向傳播還是訓(xùn)練中的反向傳播優(yōu)化過程，都極大地減少了神經(jīng)網(wǎng)絡(luò)的計(jì)算量。在卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)，僅需要對(duì)卷積核內(nèi)的值進(jìn)行更新就可以加強(qiáng)卷積層的特征表達(dá)能力。2.1.2池化層在卷積層之后，通常下一步操作通常是用一個(gè)池化層進(jìn)行降采樣。在高維度的特征圖中，如果不進(jìn)行池化層的計(jì)算直接將多次卷積后的特征圖輸入全連層進(jìn)行分類操作，參數(shù)量是非常巨大的，而且還有很多無用的且沒有代表性的特征值沒有丟棄，使得神經(jīng)網(wǎng)絡(luò)表達(dá)能力差且運(yùn)行緩慢。池化層的作用就是丟棄無用特征信息，通常使用的池化操作有兩種，最大池化層和平均池化層。經(jīng)過研究人員實(shí)驗(yàn)證明最大池化的效果較平均池化要好，所以現(xiàn)在深度學(xué)習(xí)模型中多使用最大池化。如圖2.4所示，例如有一個(gè)4×4的特征圖，設(shè)置池化層超參數(shù)大小為2×2，池化步長為2，經(jīng)過計(jì)算就會(huì)得到右邊2×2的特征圖。outsize=(nf+2p)/s+1

青島大學(xué)碩士學(xué)位論文9圖2.4最大池化過程通過圖2.4的運(yùn)算過程過程可以看出，特征圖縮小為原來的1/2，是一個(gè)降采樣的過程。根據(jù)科研人員的經(jīng)驗(yàn)，可以總結(jié)出池化層具有以下意義：降低特征圖大小，提取有代表性的特征值，能從根本上減少參數(shù)的數(shù)量，防止過擬合。池化還能夠提供旋轉(zhuǎn)和平移的不變性，即使對(duì)一個(gè)池化區(qū)域做旋轉(zhuǎn)還是平移操作，最大池化或是平均池化的輸出結(jié)果都是不變的。2.1.3激活函數(shù)僅通過卷積層和池化層，神經(jīng)網(wǎng)絡(luò)的本質(zhì)還是一個(gè)線性的模型，而深度學(xué)習(xí)模型解決的問題的通常是非線性問題，因此要在模型中引入激活函數(shù)，把卷積層池化層輸出的線性特通過激活函數(shù)映射出來，變成一個(gè)非線性的模型，增加模型的表達(dá)能力。經(jīng)典的激活函數(shù)sigmoid，如圖2.5所示，數(shù)學(xué)表達(dá)式為11(x)xeS+=，輸出范圍為(0,1)，將輸入的值進(jìn)行0到1的映射，這個(gè)函數(shù)易于理解但反向傳播時(shí)求導(dǎo)的計(jì)算量較大，而且當(dāng)輸出值過大或過小時(shí)，函數(shù)的導(dǎo)數(shù)接近于0，神經(jīng)網(wǎng)絡(luò)的參數(shù)幾乎不會(huì)更新，導(dǎo)致反向傳播時(shí)會(huì)出現(xiàn)梯度消失[34]的情況。圖2.5sigmoid函數(shù)曲線

【參考文獻(xiàn)】：
期刊論文
[1]基于YOLO＿v2模型的車輛實(shí)時(shí)檢測[J]. 黎洲,黃妙華.  中國機(jī)械工程. 2018(15)
[2]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計(jì)算機(jī)學(xué)報(bào). 2017(06)
[3]基于YOLO算法的車輛實(shí)時(shí)檢測[J]. 王宇寧,龐智恒,袁德明.  武漢理工大學(xué)學(xué)報(bào). 2016(10)
[4]智能交通系統(tǒng)綜述[J]. 趙娜,袁家斌,徐晗.  計(jì)算機(jī)科學(xué). 2014(11)
[5]車輛檢測傳感器綜述[J]. 彭春華,劉建業(yè),劉岳峰,晏磊,鄭江華.  傳感器與微系統(tǒng). 2007(06)



本文編號(hào)：3029065