車(chē)輛檢測(cè)是汽車(chē)高級(jí)輔助駕駛（ADAS）系統(tǒng)中環(huán)境感知的重要組成部分。傳統(tǒng)車(chē)輛檢測(cè)一般是在PC機(jī)上實(shí)現(xiàn)的,隨著計(jì)算機(jī)軟、硬件快速提升,深度學(xué)習(xí)與目標(biāo)檢測(cè)算法不斷發(fā)展,車(chē)輛檢測(cè)也逐漸應(yīng)用到嵌入式設(shè)備上。嵌入式設(shè)備具有體積小、價(jià)格低、穩(wěn)定性好等優(yōu)點(diǎn),如果在嵌入式設(shè)備上實(shí)現(xiàn)準(zhǔn)確、實(shí)時(shí)的車(chē)輛檢測(cè),那么將顯著的降低ADAS系統(tǒng)的開(kāi)發(fā)成本。嵌入式設(shè)備硬件性能有限,使用的算法有相當(dāng)大的局限性。近年來(lái),基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法高速發(fā)展,在保證高準(zhǔn)確率的情況下實(shí)現(xiàn)了高速率檢測(cè),但是這些算法不能直接應(yīng)用到嵌入式設(shè)備上。本文針對(duì)車(chē)輛檢測(cè)的特點(diǎn)和嵌入式設(shè)備這一特定場(chǎng)所,以SSD目標(biāo)檢測(cè)網(wǎng)絡(luò)為基礎(chǔ),結(jié)合其他技術(shù)改進(jìn)并創(chuàng)建SSD網(wǎng)絡(luò),其次搭建好嵌入式系統(tǒng)軟、硬件開(kāi)發(fā)環(huán)境,在嵌入式設(shè)備上實(shí)現(xiàn)車(chē)輛檢測(cè)。首先針對(duì)車(chē)輛數(shù)據(jù)的分布和嵌入式設(shè)備的特點(diǎn),對(duì)原始SSD網(wǎng)絡(luò)做出了如下幾點(diǎn)改進(jìn):用K-Means聚類算法從新設(shè)置SSD的區(qū)域候選框,使其更加符合車(chē)輛數(shù)據(jù)尺度分布,提高模型的檢測(cè)精度;在原始SSD損失函數(shù)基礎(chǔ)上增加排斥損失,提高對(duì)相互重疊車(chē)輛的檢測(cè)性能;使用MobileNetV1深度神經(jīng)網(wǎng)絡(luò)作為SSD的特征提取網(wǎng)絡(luò),在保證... 

【文章來(lái)源】：重慶交通大學(xué)重慶市

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

SSD網(wǎng)絡(luò)結(jié)構(gòu)圖

重慶交通大學(xué)碩士學(xué)位論文8同檢測(cè)，用低層分辨率大的特征圖檢測(cè)小目標(biāo)，深層大感受域的特征圖檢測(cè)大目標(biāo)，保證不同尺度大小的目標(biāo)都能得到的檢測(cè)。圖2.1SSD網(wǎng)絡(luò)結(jié)構(gòu)圖SSD網(wǎng)絡(luò)的特點(diǎn)是去除全連接層，在不同層次的特征圖上做檢測(cè)，用3×3卷積核進(jìn)行預(yù)測(cè)，這樣每個(gè)預(yù)測(cè)輸出只與目標(biāo)周?chē)蜕舷挛男畔⒂嘘P(guān)，避免了背景噪聲對(duì)檢測(cè)的影響，同時(shí)不同層次的特征圖也增加了不同目標(biāo)尺度的泛化性，這樣做更有利于目標(biāo)檢測(cè)。圖2.2特征圖和區(qū)域候選框圖2.2為SSD不同尺度特征圖檢測(cè)原理，(b)、(c)為8×8和4×4兩種特征圖相當(dāng)于將原始圖像分別劃分成64和16個(gè)小格子，在每個(gè)小格子上生成一定數(shù)量不同尺度、不同寬高比的區(qū)域候選框，(a)為SSD訓(xùn)練過(guò)程中輸入一張每個(gè)目標(biāo)帶有標(biāo)簽的圖像，從圖中可以看出，圖像中的小目標(biāo)貓適合用88特征圖檢測(cè)，圖像中大目標(biāo)狗適合用44特征圖檢測(cè)。對(duì)于分辨率為m的特征圖，每個(gè)特征單元有k個(gè)區(qū)域候選框，則在該特征圖上會(huì)產(chǎn)生m×m×k個(gè)區(qū)域候選框。如果預(yù)測(cè)的類別數(shù)量為c，該特征圖會(huì)產(chǎn)生(c+4)×m×m×k個(gè)輸出，其中c*m*m*k表示該特征圖輸出的類別置信度數(shù)量，4*m*m*k表示該特征圖預(yù)測(cè)出的位置坐標(biāo)數(shù)量。訓(xùn)練過(guò)程中將區(qū)域候選框與真實(shí)邊框進(jìn)行匹配，匹配中的作為正樣本如圖2.2中的紅色框和藍(lán)色框，其余均作為負(fù)樣本。測(cè)試時(shí)，使用非極大

重慶交通大學(xué)碩士學(xué)位論文12為網(wǎng)絡(luò)的總體損失。然后采用SGD策略對(duì)網(wǎng)絡(luò)權(quán)重參數(shù)進(jìn)行更新。經(jīng)過(guò)多次迭代，得到權(quán)重參數(shù)近似梯度為0，相應(yīng)的權(quán)值被認(rèn)為是網(wǎng)絡(luò)的最優(yōu)權(quán)值。SSD網(wǎng)絡(luò)置信度損失函數(shù)具體計(jì)算式如下：0(,)log()log()NppconfijiiiPosiNegLxcxcc(2.11)exp()exp()ppiipipccc(2.12)（2）SmoothL1損失函數(shù)SSD同時(shí)要完成物體類別分?jǐn)?shù)預(yù)測(cè)與位置坐標(biāo)預(yù)測(cè)，多任務(wù)網(wǎng)絡(luò)的位置預(yù)測(cè)即擬合出物體在圖像中的坐標(biāo)，其數(shù)學(xué)模型及原理如下。如圖2.3所示，綠色框?yàn)轱w機(jī)的真實(shí)邊框（GT），紅色為區(qū)域候選框，如果網(wǎng)絡(luò)檢測(cè)出的的飛機(jī)位置為紅框，但是從圖中可看出紅框與飛機(jī)真實(shí)位置偏差太大，可認(rèn)為網(wǎng)絡(luò)沒(méi)有檢測(cè)出飛機(jī)目標(biāo)。使用某種手段來(lái)修改紅框，使得區(qū)域候選框與目標(biāo)真實(shí)框更加接近。圖2.3真實(shí)框和區(qū)域候選框圖2.4區(qū)域候選框、預(yù)測(cè)框和真實(shí)框關(guān)系用四維數(shù)組(x,y,w,h)確定物體的位置坐標(biāo)，(x,y)為物體中心，w、h為物體的寬高。如圖2.4所示，尋找一種映射關(guān)系使得區(qū)域候選框A經(jīng)過(guò)變換后成為與物體真實(shí)框G相近的預(yù)測(cè)框G’，該過(guò)程就是位置擬合要完成的任務(wù)，即對(duì)于給定候選框坐標(biāo),,,xywhAAAAA，尋找函數(shù)f滿足："""",,,,,,,,,xywhxywhxywhfAAAAGGGGGGGG。在圖2.4中要從A變?yōu)?quot;G比較簡(jiǎn)單的思路就是：先做平移，再做縮放如下式:"xwxxGAdAA(2.13)"yhyyGAdAA(2.14)


本文編號(hào)：3500023