發(fā)布時(shí)間：2021-11-07 03:48

　　伴隨著汽車產(chǎn)業(yè)的蒸蒸日上,城市交通問(wèn)題日益凸顯,逐漸影響著經(jīng)濟(jì)的發(fā)展和社會(huì)的進(jìn)步。隨著信息技術(shù)時(shí)代的到來(lái),人們渴望利用智能交通系統(tǒng)解決交通問(wèn)題,而交通視頻檢測(cè)正是其最基礎(chǔ)和重要的組成部分。傳統(tǒng)的目標(biāo)檢測(cè)算法依靠人工經(jīng)驗(yàn)設(shè)計(jì)特征且抗干擾性差,無(wú)法滿足實(shí)際場(chǎng)景需求。近幾年在大數(shù)據(jù)集快速發(fā)展的背景下,深度學(xué)習(xí)給模式識(shí)別任務(wù)提供了新的思路,利用深度卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)學(xué)習(xí)目標(biāo)特征以進(jìn)行視頻中交通目標(biāo)的實(shí)時(shí)檢測(cè),為智能交通系統(tǒng)解決交通問(wèn)題提供數(shù)據(jù)和技術(shù)支持�？紤]到現(xiàn)實(shí)中基于交通視頻數(shù)據(jù)的每一幀圖像里包含多個(gè)類別圖像的數(shù)據(jù)集相對(duì)較少,因此根據(jù)唐山的交通流現(xiàn)狀創(chuàng)建了交通目標(biāo)檢測(cè)數(shù)據(jù)集,重點(diǎn)研究了數(shù)據(jù)采集、數(shù)據(jù)增強(qiáng)和數(shù)據(jù)標(biāo)定,然后將數(shù)據(jù)轉(zhuǎn)換成Tensor Flow深度學(xué)習(xí)框架可接受的預(yù)訓(xùn)練格式。對(duì)兩階段目標(biāo)檢測(cè)算法和一階段目標(biāo)檢測(cè)算法的原理和算法性能進(jìn)行分析,以檢測(cè)準(zhǔn)確率和檢測(cè)速度為衡量標(biāo)準(zhǔn),選擇能同時(shí)兼顧準(zhǔn)確率和檢測(cè)速度的SSD算法。通過(guò)對(duì)SSD算法的超參數(shù)進(jìn)行微調(diào),提高交通目標(biāo)檢測(cè)的準(zhǔn)確率,使訓(xùn)練好的SSD模型在晴天和雨天等情況下均能取得不錯(cuò)的檢測(cè)效果。在有效視野中,檢測(cè)算法在目標(biāo)檢測(cè)和目標(biāo)分類上的準(zhǔn)... 

【文章來(lái)源】：華北理工大學(xué)河北省

【文章頁(yè)數(shù)】：78 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

華北理工大學(xué)碩士學(xué)位論文-16-世界上所有的顏色都是由三原色紅、綠、藍(lán)相互變化以及相互之間的疊加來(lái)得到的，因此一張RGB格式的彩色圖片也是由紅、綠、藍(lán)三個(gè)分量疊加所組成。將彩色圖片輸入到神經(jīng)網(wǎng)絡(luò)里，網(wǎng)絡(luò)看不到圖像里的物體，網(wǎng)絡(luò)能看到的只是一些像素值。圖5所示是分量卷積核對(duì)輸入圖像紅、綠、藍(lán)三個(gè)分量像素值的卷積結(jié)果。圖5卷積操作示意圖Fig.5Schematicdiagramofconvolutionoperation紅、綠、藍(lán)三個(gè)分量卷積核中的數(shù)字就是權(quán)重，根據(jù)神經(jīng)網(wǎng)絡(luò)的計(jì)算公式：output=WX+b（1）式中：output—卷積得到的特征圖對(duì)應(yīng)處像素值；W—分量卷積核對(duì)應(yīng)的權(quán)重矩陣；—卷積運(yùn)算符號(hào)；X—卷積區(qū)域的圖像像素值矩陣；b—偏置（此時(shí)b=0）。卷積核里的權(quán)重單獨(dú)對(duì)相應(yīng)位置圖像像素值做從左到右、從上到下的點(diǎn)乘運(yùn)算，得到紅、綠、藍(lán)三個(gè)分量分別對(duì)應(yīng)的特征圖，最后將三個(gè)分量特征圖疊加到一起，得到RGB特征分量。

華北理工大學(xué)碩士學(xué)位論文-18-圖6Sigmoid激活函數(shù)圖像Fig.6SigmoidactivationfunctionimageSigmoid也有自身的缺陷，首先是飽和性，即當(dāng)x時(shí)，x的導(dǎo)數(shù)趨于0，在網(wǎng)絡(luò)反向傳播過(guò)程中，Sigmoid的梯度包括x的導(dǎo)數(shù)，而兩側(cè)的導(dǎo)數(shù)等于0，會(huì)導(dǎo)致反向傳播的梯度非常小，網(wǎng)絡(luò)參數(shù)得不到更新，會(huì)造成梯度消失的情況，從而無(wú)法完成深層網(wǎng)絡(luò)的訓(xùn)練。其次是Sigmoid激活函數(shù)的偏移現(xiàn)象，由于Sigmoid函數(shù)的輸出不是0均值的，因此會(huì)導(dǎo)致后層神經(jīng)元接受的輸入也是非0均值的信號(hào)，隨著網(wǎng)絡(luò)深度的不斷增加，會(huì)使數(shù)據(jù)的原始分布變化很大。最后是Sigmoid函數(shù)計(jì)算復(fù)雜度高，由于網(wǎng)絡(luò)進(jìn)行正向傳播和反向傳播過(guò)程中都涉及到冪運(yùn)算，導(dǎo)致時(shí)間成本大，無(wú)法滿足系統(tǒng)實(shí)時(shí)性的要求。tanh激活函數(shù)的數(shù)學(xué)公式和導(dǎo)數(shù)分別是：sinhtanhcoshxxxxxeexxxee（6）2x1x（7）tanh激活函數(shù)圖像如圖7所示。圖7tanh激活函數(shù)圖像Fig.7tanhactivationfunctionimage


本文編號(hào)：3481100