道路交通環(huán)境涉及的多目標(biāo)檢測(cè)技術(shù)主要是檢測(cè)各種道路交通環(huán)境中采集的圖像或者視頻里的車輛和行人等,使用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的技術(shù)來(lái)實(shí)現(xiàn)高效的檢測(cè)識(shí)別。該技術(shù)是近年來(lái)理論研究和實(shí)踐過(guò)程中人們討論的熱點(diǎn),并廣泛應(yīng)用于車輛的駕駛輔助系統(tǒng),無(wú)人駕駛等領(lǐng)域。然而道路交通環(huán)境非常復(fù)雜,需要檢測(cè)的車輛和行人等障礙物很容易受到各種隨機(jī)因素的干擾,因此多目標(biāo)檢測(cè)技術(shù)的研究仍然有很長(zhǎng)的路要走。最近幾年深度學(xué)習(xí)獲得前所未有的發(fā)展,所以基于深度學(xué)習(xí)的道路場(chǎng)景車輛行人的檢測(cè)算法相應(yīng)地被提出。該算法的參數(shù)優(yōu)化主要和所需訓(xùn)練數(shù)據(jù)有關(guān),具體做法是把所使用數(shù)據(jù)集里的訓(xùn)練數(shù)據(jù)以及對(duì)應(yīng)的標(biāo)簽作為卷積神經(jīng)網(wǎng)絡(luò)的輸入來(lái)進(jìn)行訓(xùn)練,獲得訓(xùn)練模型以后使用數(shù)據(jù)集中的測(cè)試數(shù)據(jù)在訓(xùn)練模型中獲得預(yù)測(cè)數(shù)據(jù),并和測(cè)試數(shù)據(jù)的標(biāo)簽作比較。除此之外多傳感器融合的手段可以彌補(bǔ)單一數(shù)據(jù)的不足,從而使檢測(cè)準(zhǔn)確率有所提升。所以本文基于深度學(xué)習(xí)算法和多傳感器數(shù)據(jù)融合策略對(duì)道路車輛和行人的檢測(cè)進(jìn)行研究。（1）基于卷積神經(jīng)網(wǎng)絡(luò)Resnet搭建融合多元數(shù)據(jù)的卷積網(wǎng)絡(luò),將多傳感器采集的數(shù)據(jù)進(jìn)行融合,該結(jié)構(gòu)充分考慮RGB圖像和深度圖像的獨(dú)立性和相關(guān)性,由于兩個(gè)卷積網(wǎng)絡(luò)的結(jié)構(gòu)... 

【文章來(lái)源】：燕山大學(xué)河北省

【文章頁(yè)數(shù)】：83 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 傳統(tǒng)基于人工特征的目標(biāo)檢測(cè)
        1.2.2 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)
    1.3 本文的主要研究?jī)?nèi)容
        1.3.1 本文的研究?jī)?nèi)容
        1.3.2 本文的組織結(jié)構(gòu)
第2章 卷積神經(jīng)網(wǎng)絡(luò)概述
    2.1 神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)
        2.1.1 彩色圖像
        2.1.2 深度圖像
    2.2 人工神經(jīng)網(wǎng)絡(luò)
        2.2.1 感知器單元
        2.2.2 前饋神經(jīng)網(wǎng)絡(luò)
        2.2.3 反向傳播算法
    2.3 卷積神經(jīng)網(wǎng)絡(luò)VGG
        2.3.1 卷積層
        2.3.2 池化層
        2.3.3 全連接層
        2.3.4 損失函數(shù)
    2.4 梯度下降與正則化方法
        2.4.1 隨機(jī)梯度下降
        2.4.2 正則化
    2.5 本章小結(jié)
第3章 多元融合分類網(wǎng)絡(luò)的構(gòu)建與優(yōu)化
    3.1 引言
    3.2 殘差網(wǎng)絡(luò)原理
    3.3 融合網(wǎng)絡(luò)搭建
    3.4 參數(shù)優(yōu)化
        3.4.1 特征可視化
        3.4.2 dropout優(yōu)化
        3.4.3 批規(guī)范化
    3.5 網(wǎng)絡(luò)訓(xùn)練
        3.5.1 實(shí)驗(yàn)數(shù)據(jù)準(zhǔn)備
        3.5.2 數(shù)據(jù)預(yù)處理
        3.5.3 模型訓(xùn)練參數(shù)設(shè)置
        3.5.4 結(jié)果與分析
    3.6 本章小結(jié)
第4章 改進(jìn)SSD檢測(cè)算法的構(gòu)建與訓(xùn)練
    4.1 目標(biāo)檢測(cè)算法介紹
        4.1.1 Faster R-CNN
        4.1.2 YOLO
        4.1.3 SSD目標(biāo)檢測(cè)基本原理
    4.2 改進(jìn)SSD模型構(gòu)建
    4.3 網(wǎng)絡(luò)模型訓(xùn)練
        4.3.1 訓(xùn)練目標(biāo)函數(shù)
        4.3.2 默認(rèn)邊界框和高寬比
        4.3.3 正負(fù)樣本比例
        4.3.4 模型訓(xùn)練框架
    4.4 本章小結(jié)
第5章 實(shí)驗(yàn)結(jié)果與分析
    5.1 實(shí)驗(yàn)環(huán)境搭建
    5.2 KITTI數(shù)據(jù)集與評(píng)價(jià)標(biāo)準(zhǔn)
    5.3 檢測(cè)結(jié)果與評(píng)估
    5.4 本章小結(jié)
結(jié)論
參考文獻(xiàn)
致謝
作者簡(jiǎn)介


【參考文獻(xiàn)】：
期刊論文
[1]人工智能綜述[J]. 李玉環(huán).  科技創(chuàng)新導(dǎo)報(bào). 2016(16)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的道路車輛檢測(cè)方法[J]. 李琳輝,倫智梅,連靜,袁魯山,周雅夫,麻笑藝.  吉林大學(xué)學(xué)報(bào)(工學(xué)版). 2017(02)
[3]中國(guó)機(jī)動(dòng)車保有量達(dá)2·64億輛[J]. 鄒偉.  廣東交通. 2015 (01)
[4]基于支持向量機(jī)的目標(biāo)檢測(cè)算法綜述[J]. 郭明瑋,趙宇宙,項(xiàng)俊平,張陳斌,陳宗海.  控制與決策. 2014(02)
[5]信息融合理論的基本方法與進(jìn)展（Ⅱ）[J]. 潘泉,王增福,梁彥,楊峰,劉準(zhǔn)釓.  控制理論與應(yīng)用. 2012(10)
[6]基于車牌識(shí)別的交通分析應(yīng)用研究[J]. 林瑜,陳紅潔,肖永來(lái).  中國(guó)交通信息產(chǎn)業(yè). 2009(05)
[7]多傳感器融合綜述[J]. 王軍,蘇劍波,席裕庚.  數(shù)據(jù)采集與處理. 2004(01)
[8]機(jī)器學(xué)習(xí)[J]. 劉琴.  武漢工程職業(yè)技術(shù)學(xué)院學(xué)報(bào). 2001(02)
[9]智能交通系統(tǒng)中的計(jì)算機(jī)視覺(jué)技術(shù)應(yīng)用[J]. 郁梅,蔣剛毅,郁伯康.  計(jì)算機(jī)工程與應(yīng)用. 2001(10)

碩士論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的小目標(biāo)檢測(cè)[D]. 郭之先.南昌航空大學(xué) 2018
[2]基于卷積神經(jīng)網(wǎng)絡(luò)圖像分類優(yōu)化算法的研究與驗(yàn)證[D]. 石琪.北京交通大學(xué) 2017
[3]基于深度學(xué)習(xí)的車牌檢測(cè)[D]. 田媛美.西安電子科技大學(xué) 2017
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的行人檢測(cè)方法研究[D]. 劉鍵.哈爾濱工業(yè)大學(xué) 2017
[5]基于卷積神經(jīng)網(wǎng)絡(luò)的車行環(huán)境多類障礙物檢測(cè)與識(shí)別[D]. 何春燕.重慶郵電大學(xué) 2017
[6]基于深度學(xué)習(xí)的交通場(chǎng)景多目標(biāo)檢測(cè)[D]. 李珊珊.湖南大學(xué) 2017
[7]基于深度學(xué)習(xí)的機(jī)動(dòng)車檢測(cè)與屬性識(shí)別研究[D]. 郭少博.中國(guó)科學(xué)技術(shù)大學(xué) 2017
[8]基于深度學(xué)習(xí)的快速目標(biāo)檢測(cè)技術(shù)研究[D]. 王震.天津理工大學(xué) 2017
[9]基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)與識(shí)別方法研究[D]. 王昊.南京財(cái)經(jīng)大學(xué) 2017
[10]基于PHOG描述算子的手寫(xiě)數(shù)字識(shí)別系統(tǒng)研究與實(shí)現(xiàn)[D]. 尹政博.東北師范大學(xué) 2016



本文編號(hào)：3640357