近年來,自動駕駛在汽車和人工智能行業(yè)刮起了一股研究熱潮。在汽車自動駕駛技術(shù)中,復(fù)雜環(huán)境中目標(biāo)物體的識別和判別是一項高難度的挑戰(zhàn),也是需要解決的重點任務(wù)之一。目標(biāo)檢測不僅是計算機視覺研究中的重要分支,也是自動駕駛系統(tǒng)中的一個關(guān)鍵環(huán)節(jié)和任務(wù)。由于實際道路況的復(fù)雜性,基于傳統(tǒng)目標(biāo)檢測的輔助汽車駕駛技術(shù)性很難得到大幅度提升。在自動汽車駕駛的目標(biāo)檢測應(yīng)用中,車輛檢測和行人檢測是最常見的檢測任務(wù)。由于在實際汽車路況中,自動駕駛前車中車輛和行人檢測的效果易受到光照,拍攝角度、天氣、遮擋等影響。目前的R-CNN系列算法是目標(biāo)檢測領(lǐng)域中最常用的深度學(xué)習(xí)算法。該系列算法雖然在實驗中擁有較高的檢測精度,但由于網(wǎng)路復(fù)雜性會在實時檢測性時產(chǎn)生交高的延遲性,使得該系列算法很難在工業(yè)應(yīng)用中推廣。基于回歸方法的端到端YOLO系列算法不僅降低了卷積網(wǎng)絡(luò)復(fù)雜性,還滿足了工業(yè)應(yīng)用中實時檢測要求。本文基于目前工業(yè)中最新YOLOv3算法提出一種適用于自動駕駛環(huán)境下的車輛和行人多目標(biāo)檢測FL-YOLO系統(tǒng)。本文基于YOLOv3算法針對自動駕駛中車輛和行人的多目標(biāo)檢測存在問題,從如下三大方面提出了FL-YOLO系統(tǒng)的優(yōu)化:（1）為... 

【文章來源】：重慶三峽學(xué)院重慶市

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【部分圖文】：

YOLOv3目標(biāo)檢測過程

取出目標(biāo)的高語義信息來檢測事物。雖然可以對特征圖采用不同尺度縮放然后來檢測，但是在實際應(yīng)用中此方法精度不是很高。在YOLOv2中首先使用3*3小卷積核和2*2的最大卷積將特征圖尺寸縮小到原先的一倍，其次將通道數(shù)量翻倍后再使用1*1的卷積核對特征圖進(jìn)行通道壓縮來實現(xiàn)特征融合。區(qū)別于傳統(tǒng)的圖像金字塔中將高維信息融合到低維后網(wǎng)絡(luò)通過使用不同規(guī)模的多個網(wǎng)絡(luò)來產(chǎn)生預(yù)測。FPN（FeaturePyramidnetwork）既可以對不同尺度的特征進(jìn)行融合，也能在不同的尺度的特征下進(jìn)行預(yù)測[41]。其多尺度融合與預(yù)測如下圖2.4所示。圖2.4FPN提取示意圖在YOLOv3在特征圖（featuremap）輸出之前網(wǎng)絡(luò)中借鑒SSD中FPN方法提出一種FPN與上采樣（UpSampling）相結(jié)合的方法，改進(jìn)了特征圖中多個高層信息與低層信息融合中細(xì)粒度目標(biāo)特征信息丟失的問題。此方法基本思想是：基于當(dāng)前特征圖，使用上采樣方法將某個卷積層輸出特征進(jìn)行拼接成為一個新的特征圖。此結(jié)構(gòu)不僅可以提高細(xì)粒度目標(biāo)的特征豐富性也幫助算法提高了目標(biāo)預(yù)測的準(zhǔn)確性。2.1.2.3網(wǎng)絡(luò)輸入和輸出YOLOv1在輸出端使用了全連接層，因此它的特征具有類似特征金字塔網(wǎng)絡(luò)的功能，可提高算法的檢測精度。由于YOLOv3整個Darknet-53結(jié)構(gòu)中沒有池化層和全連接層，故在前向傳播過程中，網(wǎng)路輸出的張量尺寸變換是通過改變卷積核的步長來實現(xiàn)的。例如Darknet-53使用步長為2的卷積來實現(xiàn)。此方法可以將圖像尺寸縮小為原先的一半、面積縮小到原來的1/4。在YOLOv3特征提取中共有五次下采樣，將特

13IOUobjScoreobj=*)Pr(IOUobjobjclassScoreiclass=|*)Pr(*)Pr(htwtbePbePCtbCtbyhwwyyyxxx**)()(==+=+=δδ圖2.5坐標(biāo)計算示意圖（4）計算每個預(yù)測邊界框的目標(biāo)置信度得分對所有的預(yù)測邊界框計算目標(biāo)是否存在的置信度分?jǐn)?shù)（其計算公式如式2.2所示）。在式2.2中)Pr(obj為網(wǎng)格單元中目標(biāo)存在概率，IOU是預(yù)測邊界框與實際邊框的重合率；若網(wǎng)格單元中不存在任何對象，則obj0)Pr(=，否則obj1)Pr(=；式2.2（5）計算預(yù)測邊界框中的每個類別置信度得分式2.3在式2.3中objclss)|Pr(i是指目標(biāo)屬于類別i可能概率，若該目標(biāo)屬于i類型，則objclss1)|Pr(=i，否則objclss0)|Pr(=i。（6）選出最佳預(yù)測邊界框。記三個不同尺寸特征圖經(jīng)過YOLO檢測輸出的所有預(yù)測邊界框個數(shù)為i，則對應(yīng)的預(yù)測邊界框記為ix。設(shè)目標(biāo)置信度得分最高的預(yù)測邊界框為A，則其他邊界框為i1x。首先計算i1x與A的IOU，并設(shè)置IOU閾值為b，若xbAIOUi>),(1，則從i1x中舍棄此預(yù)測邊界框，否則保留。設(shè)i1個預(yù)測邊界框中有j個被舍棄，則剩下ji個預(yù)測邊界框記為jix。計算ijx與真實目標(biāo)邊界框的IOU。使用用非極大抑制函數(shù)NMS（Non-MaximumSuppression）消除多余預(yù)測邊界框，找到(IOUMax)ji對應(yīng)的預(yù)測邊界框作為YOLO目標(biāo)檢測的最終輸出預(yù)測邊界框。式2.1CxCybwPwPhbhδt)(yδt)(x

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)YOLOv3的快速車輛檢測方法[J]. 張富凱,楊峰,李策.  計算機工程與應(yīng)用. 2019(02)
[2]基于深度卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)端子批量識別研究[J]. 王廷凰,舒麗,王來華,戴坤.  科技資訊. 2019(01)
[3]融合YOLO檢測與均值漂移的目標(biāo)跟蹤算法[J]. 王忠民,段娜,范琳.  計算機工程與應(yīng)用. 2019(10)
[4]基于YOLO3的人臉自動跟蹤攝像機器人系統(tǒng)研究[J]. 朱晨陽,馮虎田,歐屹.  電視技術(shù). 2018(09)
[5]基于改進(jìn)SSD的輕量化小目標(biāo)檢測算法[J]. 吳天舒,張志佳,劉云鵬,裴文慧,陳紅葉.  紅外與激光工程. 2018(07)
[6]基于深度殘差學(xué)習(xí)的自動駕駛道路場景理解[J]. 宋銳,施智平,渠瀛,邵振洲,關(guān)永.  計算機應(yīng)用研究. 2019(09)
[7]基于YOLOv2的復(fù)雜場景下車輛目標(biāo)檢測[J]. 李云鵬,侯凌燕,王超.  電視技術(shù). 2018(05)
[8]基于深度學(xué)習(xí)的自動駕駛技術(shù)綜述[J]. 張新鈺,高洪波,趙建輝,周沫.  清華大學(xué)學(xué)報(自然科學(xué)版). 2018(04)
[9]自動駕駛場景下小且密集的交通標(biāo)志檢測[J]. 葛園園,許有疆,趙帥,韓亞洪.  智能系統(tǒng)學(xué)報. 2018(03)
[10]實時目標(biāo)檢測算法YOLO的批再規(guī)范化處理[J]. 溫捷文,戰(zhàn)蔭偉,凌偉林,郭燦樟.  計算機應(yīng)用研究. 2018(10)

博士論文
[1]移動變尺度目標(biāo)檢測與跟蹤算法研究[D]. 顧欽.電子科技大學(xué) 2018

碩士論文
[1]基于深度學(xué)習(xí)的衛(wèi)星遙感圖像艦船檢測[D]. 張靖奇.哈爾濱工業(yè)大學(xué) 2019
[2]無重疊視域行人再識別的研究與實現(xiàn)[D]. 楊丹妹.合肥工業(yè)大學(xué) 2019
[3]基于深度學(xué)習(xí)的交通標(biāo)志識別及實現(xiàn)[D]. 許慶志.北京交通大學(xué) 2018
[4]基于深度卷積神經(jīng)網(wǎng)絡(luò)和圖像傳感器的道路多目標(biāo)檢測研究[D]. 謝一德.北京交通大學(xué) 2018
[5]基于區(qū)域生成網(wǎng)絡(luò)的自動駕駛系統(tǒng)行人檢測算法實現(xiàn)[D]. 王賓.西南交通大學(xué) 2018
[6]基于深度神經(jīng)網(wǎng)絡(luò)的道路目標(biāo)檢測研究[D]. 陳佳鵬.西南交通大學(xué) 2018
[7]基于卷積神經(jīng)網(wǎng)絡(luò)的道路目標(biāo)檢測算法研究與實現(xiàn)[D]. 劉宇.武漢大學(xué) 2018
[8]面向自動駕駛的語義分割和目標(biāo)檢測技術(shù)[D]. 郭繼舜.電子科技大學(xué) 2018
[9]基于深度學(xué)習(xí)的目標(biāo)檢測算法研究[D]. 溫捷文.廣東工業(yè)大學(xué) 2018
[10]基于深度學(xué)習(xí)的目標(biāo)檢測系統(tǒng)的研發(fā)[D]. 韓飛騰.首都經(jīng)濟貿(mào)易大學(xué) 2017



本文編號：3505912