隨著城市交通擁堵問題的不斷加劇,針對道路車輛目標檢測中傳統(tǒng)方法需隨場景變化提取不同特征,檢測率較低與魯棒性差的問題,提出了一種基于Darknet框架的車輛多目標檢測與識別方法。在YOLO v2算法基礎上,根據(jù)目標路段場景與車流量的變化對YOLO-voc網(wǎng)絡模型進行改進,基于ImageNet數(shù)據(jù)集和微調技術獲得分類訓練網(wǎng)絡模型,對訓練結果和車輛目標特征進行分析后進一步對改進的算法參數(shù)進行調整,最終獲得更適合于道路車輛檢測與識別的YOLO-vocRV網(wǎng)絡模型下車輛多目標檢測與識別方法。為驗證該方法的有效性和完備性,采用不同模型不同數(shù)據(jù)集進行了大量實驗分析。研究內(nèi)容主要包括:(1)采用一種基于Darknet框架下YOLO9000算法的車輛多目標檢測方法。該方法在YOLO9000算法基礎下,根據(jù)訓練結果和車輛目標特征對YOLO9000網(wǎng)絡模型進行改進,并對模型參數(shù)進行調整,獲得更為適合于當前道路視頻車輛檢測的YOLO9000-md網(wǎng)絡模型下車輛多目標檢測方法。對視頻車輛進行了檢測實驗,實驗結果表明:改進模型YOLO9000-md的車輛多目標檢測方法召回率達到96.15%,具有一定的有效性。(2)...

【文章頁數(shù)】：67 頁

【學位級別】：碩士

【部分圖文】：

圖2-1深度學習工作原理

淺層人工神經(jīng)網(wǎng)絡只能用于線性分類，并且和計算機能力的限制，訓練一個多層感知機所需的時間神經(jīng)網(wǎng)絡的發(fā)展。直到1974年，PaulWerbos[38]等人深練機制，并提出了改進方案—誤差反向傳播算法，推動新的熱潮。而機器學習也從淺層學習模型階段發(fā)展到了階段。習是將輸入映射到目標....

圖2-2神經(jīng)元模型

圖2-2神經(jīng)元模型該神經(jīng)元由多個輸入(1,2,...)ixin和一個輸出y組成，輸入的權值與定了中間狀態(tài)的表達與輸出，輸出可表示為：()iiyfwxb，iw是權重項，b是偏置12(,,...,|)nixxxx....

圖2-3Sigmoid函數(shù)

圖2-3Sigmoid函數(shù)圖2-4ReLU函數(shù)ReLU函數(shù)是目前使用最多的激活函數(shù)，其在保持同樣效果的同時收也是Darknet框架中所采用的激活函數(shù)，其優(yōu)勢在于：(1)處理速度快，比Sigmoid函數(shù)需要算指數(shù)、倒數(shù)代價小很多；(2)減輕了梯度消失問題....

圖2-4ReLU函數(shù)ReLU函數(shù)是目前使用最多的激活函數(shù)，其在保持同樣效果的同時收斂更

圖2-3Sigmoid函數(shù)圖2-4ReLU函數(shù)ReLU函數(shù)是目前使用最多的激活函數(shù)，其在保持同樣效果的同時收也是Darknet框架中所采用的激活函數(shù)，其優(yōu)勢在于：(1)處理速度快，比Sigmoid函數(shù)需要算指數(shù)、倒數(shù)代價小很多；(2)減輕了梯度消失問題....

本文編號：4028926