發(fā)布時(shí)間：2021-11-18 23:47

　　車輛檢測技術(shù)是當(dāng)前自動(dòng)駕駛領(lǐng)域與智能交通領(lǐng)域中重要的研究方向。它不但在無人駕駛中起到減少事故發(fā)生的作用,同時(shí)也在智能交通系統(tǒng)中幫助解決交通運(yùn)輸壓力的難題。以車輛檢測技術(shù)為數(shù)據(jù)基礎(chǔ)的車輛檢測后融合技術(shù)因?yàn)槟芴岣哕囕v檢測精度,同樣成為目標(biāo)檢測領(lǐng)域的熱門研究方向之一。本文針對國內(nèi)車輛檢測技術(shù)準(zhǔn)確率較低的問題,提出了基于卷積神經(jīng)網(wǎng)絡(luò)和后融合算法的車輛檢測技術(shù),旨在提升車輛檢測器的檢測mAP。本文主要研究內(nèi)容如下:1)數(shù)據(jù)集預(yù)處理與評價(jià)方法制定。針對KITTI數(shù)據(jù)集中缺少某些類別車輛的問題,制作KITTIplus數(shù)據(jù)集。針對KITTIplus數(shù)據(jù)集中類別分布不均衡的問題,提出了數(shù)據(jù)增強(qiáng)的方法來增加樣本量較小類別的數(shù)據(jù)量。除此之外,本文提出了客觀評價(jià)方法對網(wǎng)絡(luò)模型的mAP進(jìn)行計(jì)算,設(shè)計(jì)了主觀評價(jià)方法來驗(yàn)證車輛檢測器在國內(nèi)場景實(shí)用性。2)基于SSD網(wǎng)絡(luò)框架的SSD-V車輛檢測器設(shè)計(jì)。包含網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)、損失函數(shù)設(shè)計(jì)和默認(rèn)框設(shè)計(jì)。車輛檢測網(wǎng)絡(luò)在KITTIplus上訓(xùn)練時(shí)對超參數(shù)進(jìn)行調(diào)整以得到相對最優(yōu)的網(wǎng)絡(luò)權(quán)重。此外,對SSD-V進(jìn)行客觀評價(jià)測試得到模型的mAP并保存SSD-V中的車輛檢測結(jié)果。對檢測模型... 

【文章來源】：湖南大學(xué)湖南省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：73 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究背景和意義
    1.2 車輛檢測算法研究現(xiàn)狀
    1.3 后融合算法研究現(xiàn)狀
    1.4 本文主要內(nèi)容和結(jié)構(gòu)安排
    1.5 本章小結(jié)
第2章 數(shù)據(jù)集預(yù)處理與模型評價(jià)方法
    2.1 車輛數(shù)據(jù)集
        2.1.1 KITTI數(shù)據(jù)集
        2.1.2 Pascal VOC數(shù)據(jù)集
        2.1.3 KITTIplus數(shù)據(jù)集
    2.2 車輛數(shù)據(jù)增強(qiáng)
    2.3 數(shù)據(jù)格式轉(zhuǎn)換
    2.4 網(wǎng)絡(luò)模型評價(jià)方法
        2.4.1 主觀評價(jià)方法
        2.4.2 客觀評價(jià)方法
    2.5 本章小結(jié)
第3章 SSD-V車輛檢測器設(shè)計(jì)
    3.1 SSD算法概述
    3.2 SSD-V車輛檢測網(wǎng)絡(luò)設(shè)計(jì)
        3.2.1 總體結(jié)構(gòu)設(shè)計(jì)
        3.2.2 默認(rèn)框設(shè)計(jì)
        3.2.3 正負(fù)樣本選取
        3.2.4 數(shù)據(jù)擴(kuò)張
        3.2.5 損失函數(shù)設(shè)計(jì)
    3.3 模型訓(xùn)練與超參數(shù)設(shè)置
        3.3.1 實(shí)驗(yàn)環(huán)境搭建
        3.3.2 分類網(wǎng)絡(luò)遷移學(xué)習(xí)
        3.3.3 網(wǎng)絡(luò)模型超參數(shù)設(shè)置與訓(xùn)練
    3.4 網(wǎng)絡(luò)模型測試
        3.4.1 客觀評價(jià)結(jié)果分析
        3.4.2 主觀評價(jià)結(jié)果分析
    3.5 本章小結(jié)
第4章 YOLO-V車輛檢測器設(shè)計(jì)
    4.1 YOLO檢測算法概述
        4.1.1 YOLOv1目標(biāo)檢測算法介紹
        4.1.2 YOLOv2目標(biāo)檢測算法介紹
        4.1.3 YOLOv3目標(biāo)檢測算法介紹
    4.2 YOLO-V網(wǎng)絡(luò)模型設(shè)計(jì)
        4.2.1 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)
        4.2.2 多尺度特征提取
        4.2.3 先驗(yàn)框設(shè)計(jì)
    4.3 網(wǎng)絡(luò)模型訓(xùn)練與超參數(shù)設(shè)置
        4.3.1 實(shí)驗(yàn)環(huán)境
        4.3.2 預(yù)訓(xùn)練模型
        4.3.3 網(wǎng)絡(luò)模型超參數(shù)設(shè)置
    4.4 車輛檢測模型測試
        4.4.1 客觀評價(jià)測試分析
        4.4.2 主觀評價(jià)測試分析
    4.5 本章小結(jié)
第5章 車輛檢測后融合算法設(shè)計(jì)
    5.1 后融合算法概述
    5.2 ALFA-V后融合算法設(shè)計(jì)
        5.2.1 ALFA-V概述
        5.2.2 基礎(chǔ)目標(biāo)檢測器定義
        5.2.3 預(yù)測樣本聚類
        5.2.4 類簇類別的預(yù)測
        5.2.5 目標(biāo)定位
    5.3 后融合算法測試
        5.3.1 后融合算法比較對象
        5.3.2 ALFA-V超參數(shù)設(shè)置
        5.3.3 融合結(jié)果
    5.4 融合算法對比分析
    5.5 本章小結(jié)
總結(jié)與展望
參考文獻(xiàn)
附錄A 攻讀學(xué)位期間所發(fā)表的學(xué)術(shù)論文目錄
致謝



本文編號(hào)：3503865