發(fā)布時間：2024-07-02 00:07

　　近年來自動駕駛技術(shù)引起了人們廣泛的關(guān)注,自動駕駛汽車需要通過行車視頻進(jìn)行實時的目標(biāo)檢測,再聯(lián)合其他信息在行駛過程中做出及時的決策。因此,一個適用于行車視頻下的魯棒性較強的目標(biāo)檢測算法具有很重要的實際意義。傳統(tǒng)檢測算法泛化能力不夠好,大多數(shù)都不能適應(yīng)復(fù)雜多變的環(huán)境和實時性的要求。而利用深度學(xué)習(xí)進(jìn)行目標(biāo)檢測可以避免傳統(tǒng)算法的諸多問題,并獲得遠(yuǎn)優(yōu)于傳統(tǒng)方法的檢測效果。目前大多數(shù)行車視頻檢測只針對車輛,事實上如交通燈、行人、騎車人等信息對于環(huán)境感知也是必要的。因此,本文使用基于深度學(xué)習(xí)的目標(biāo)檢測算法,并改進(jìn)其特征提取器,將其應(yīng)用于行車視頻下多個類別的目標(biāo)檢測。本文的主要工作如下:針對傳統(tǒng)算法有魯棒性不好、準(zhǔn)確率不高和實時性差等缺陷,本文使用深度學(xué)習(xí)算法來構(gòu)建行車視頻的多目標(biāo)檢測模型,并進(jìn)行改進(jìn)以增加檢測精度。YOLOv2算法的實時性好,檢測準(zhǔn)確率高;而更深的網(wǎng)絡(luò)層數(shù)有助于算法中的特征提取器提取特征。本文在YOLOv2算法的基礎(chǔ)上,將主干的darknet19神經(jīng)網(wǎng)絡(luò)替換為含有殘差塊的網(wǎng)絡(luò),通過增加特征提取器的網(wǎng)絡(luò)層數(shù)獲得更高的檢測精度,達(dá)到更好的檢測效果。對改進(jìn)的算法進(jìn)行一系列的驗證實驗以及應(yīng)用...

【文章頁數(shù)】：79 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2.1經(jīng)典機器學(xué)習(xí)、一般表示學(xué)習(xí)和深度學(xué)習(xí)的異同F(xiàn)ig2.1Similaritiesanddifferencesofclassicalmachinelearning,generalrepresentationlearninganddeeplearning

典機器學(xué)習(xí)、一般的表示學(xué)習(xí)和深度學(xué)習(xí)處理問題的流程如圖2.1所示，陰影框表示了能從數(shù)據(jù)中學(xué)習(xí)的組件，可見，深度學(xué)習(xí)的表征能力是非常強的。圖2.1經(jīng)典機器學(xué)習(xí)、一般表示學(xué)習(xí)和深度學(xué)習(xí)的異同F(xiàn)ig2.1Similaritiesanddifferencesofclass....

圖2.2深度學(xué)習(xí)模型獲取特征的可視化

學(xué)習(xí)目標(biāo)的特征，將原始數(shù)據(jù)經(jīng)過一系列非線性變換，生成了高層次的抽象表示。其學(xué)習(xí)特征的可視化過程如圖2.2所示。圖2.2深度學(xué)習(xí)模型獲取特征的可視化[39]Fig2.2Thevisualizationofcapturefeaturesusingdeeplear....

圖2.3感知機模型

元接受到的總的輸入值將與神經(jīng)元的閾值進(jìn)行比較，然后通過激活函數(shù)得到神經(jīng)元的輸出。圖2.3感知機模型Fig2.3Perceptronmodel其中y的計算方法為：=()（2.1）其中x代表輸入信號，w代表對應(yīng)的連接權(quán)重，代表給定閾值，y是輸出，f即....

圖2.4多層神經(jīng)網(wǎng)絡(luò)Fig2.4Multipleneuralnetworks

多層神經(jīng)網(wǎng)絡(luò)也稱為多層感知機，其結(jié)構(gòu)如圖2.4所示，信號由低層向高層傳播，其中除了輸入和輸出層之外的網(wǎng)絡(luò)各層都稱為隱藏層。圖2.4多層神經(jīng)網(wǎng)絡(luò)Fig2.4Multipleneuralnetworks引入多層結(jié)構(gòu)，可以使得神經(jīng)網(wǎng)絡(luò)實現(xiàn)更復(fù)雜的判別和決策，但同時也提高了學(xué)....

本文編號：3999394