近幾年由于計(jì)算機(jī)運(yùn)算能力的大幅度提高使得計(jì)算機(jī)視覺在智能交通領(lǐng)域逐漸成為研究熱點(diǎn),受到中外學(xué)者的廣泛關(guān)注,并取得了一定的研究成果。然而,在實(shí)際應(yīng)用過程中仍存在很多困難亟需解決。問題主要集中于兩個(gè)方面:首先,當(dāng)計(jì)算機(jī)視覺技術(shù)主要應(yīng)用于交通監(jiān)管領(lǐng)域,檢測的實(shí)時(shí)性,由于計(jì)算機(jī)硬件運(yùn)算能力的限制,算法本身不能過于復(fù)雜,因此這就與檢測精準(zhǔn)性產(chǎn)生了一定的矛盾。其次,交通場景不同于一般的檢測場景,場景中物體種類較多,并且光照、陰影和遮擋等因素都嚴(yán)重影響識別準(zhǔn)確度和定位精確度。在不影響實(shí)時(shí)性的條件下如何設(shè)計(jì)算法來減小這些因素的影響,提高檢測算法的魯棒性成為研究人員的關(guān)注點(diǎn)。本文致力于通過自建數(shù)據(jù)集,實(shí)現(xiàn)道路行車視角下的車輛檢測。首先回顧了國內(nèi)外在目標(biāo)檢測領(lǐng)域的相關(guān)文獻(xiàn)與研究現(xiàn)狀,對現(xiàn)有的研究成果對比總結(jié),在此基礎(chǔ)上確定了本文的研究目標(biāo)與研究內(nèi)容。本文研究內(nèi)容主要分為三個(gè)部分,首先以卷積神經(jīng)網(wǎng)絡(luò)相關(guān)概念作為切入點(diǎn),詳細(xì)闡述了卷積神經(jīng)網(wǎng)絡(luò)的基本思想、組成部分和參數(shù)訓(xùn)練原理等內(nèi)容,為之后的YOLOv3檢測模型以及Faster R-CNN檢測模型奠定理論基礎(chǔ)。其次,在上一章節(jié)的理論基礎(chǔ)上實(shí)現(xiàn)YOLOv3模型下...

【文章頁數(shù)】：74 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１－１自動(dòng)駕駛汽車示意圖??Ｆｉｇ．?１－１?Ｄｉａｇｒａｍ?ｏｆ?ａｕｔｏｎｏｍｏｕｓ?ｖｅｈｉｃｌｅｓ??

汽車駕駛的安全性是自動(dòng)駕駛的重要功能［４１，按照實(shí)現(xiàn)方式分為主動(dòng)安全、被??動(dòng)安全、危險(xiǎn)預(yù)警和汽車防撞四類［５］，障礙物檢測尤其是車輛檢測是實(shí)現(xiàn)汽車駕駛??安全最重要最基礎(chǔ)的部分。如圖１－１所示，自動(dòng)駕駛汽車通過各類傳感器如視覺傳??感器（攝像頭）、激光雷達(dá)等感知周圍環(huán)境信息，并....

圖１－２車輛檢測：識別＋定位??Ｆｉｇ．?１－２?Ｖｅｈｉｃｌｅ?ｄｅｔｅｃｔｉｏｎ：?ｒｅｃｏｇｎｉｔｉｏｎ?ａｎｄ?ｌｏｃａｔｉｏｎ??

基于視覺的車輛檢測是一種利用計(jì)算機(jī)在靜態(tài)圖像或者視頻幀中自動(dòng)尋找車??輛目標(biāo)，并判斷車輛目標(biāo)的位置、大小和置信度的技術(shù)，也即實(shí)現(xiàn)車輛目標(biāo)的識??別和定位。圖１－２展示了車輛檢測的示例，圖中算法實(shí)現(xiàn)了對不同大小和長寬比的??車輛目標(biāo)的成功定位，并給出了相應(yīng)的置信度。??．??圖１－....

圖１－４不同天氣情況下的行車場景??Ｆｉｇ．?１－４?Ｄｒｉｖｉｎｇ?ｓｃｅｎａｒｉｏｓ?ｉｎ?ｄｉｆｆｅｒｅｎｔ?ｗｅａｔｈｅｒ?ｓｉｔｕａｔｉｏｎ??

（Ｃ）高速公路?⑷隧道??圖１－３不同道路情況下的行車場景??Ｆｉｇ．?１－３?Ｄｒｉｖｉｎｇ?ｓｃｅｎａｒｉｏｓ?ｉｎ?ｄｉｆｆｅｒｅｎｔ?ｒｏａｄ?ｓｉｔｕａｔｉｏｎ??圖１＿４展示了不同天氣情況下典型的行車場景，晴天時(shí)采集到的圖像質(zhì)量較??高，可以更好的描述圖像特征，但是也....

圖１－３不同道路情況下的行車場景??

圖１－３不同道路情況下的行車場景??Ｆｉｇ．?１－３?Ｄｒｉｖｉｎｇ?ｓｃｅｎａｒｉｏｓ?ｉｎ?ｄｉｆｆｅｒｅｎｔ?ｒｏａｄ?ｓｉｔｕａｔｉｏｎ??圖１＿４展示了不同天氣情況下典型的行車場景，晴天時(shí)采集到的圖像質(zhì)量較??高，可以更好的描述圖像特征，但是也會(huì)收到陰影、光照變化的影響....

本文編號：3922666