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注,自動駕駛汽車需要通過行車視頻進行實時的目標檢測,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)都不能適應復雜多變的環(huán)境和實時性的要求。而利用深度學習進行目標檢測可以避免傳統(tǒng)算法的諸多問題,并獲得遠優(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習的目標檢測算法,并改進其特征提取器,將其應用于行車視頻下多個類別的目標檢測。本文的主要工作如下:針對傳統(tǒng)算法有魯棒性不好、準確率不高和實時性差等缺陷,本文使用深度學習算法來構(gòu)建行車視頻的多目標檢測模型,并進行改進以增加檢測精度。YOLOv2算法的實時性好,檢測準確率高;而更深的網(wǎng)絡層數(shù)有助于算法中的特征提取器提取特征。本文在YOLOv2算法的基礎上,將主干的darknet19神經(jīng)網(wǎng)絡替換為含有殘差塊的網(wǎng)絡,通過增加特征提取器的網(wǎng)絡層數(shù)獲得更高的檢測精度,達到更好的檢測效果。對改進的算法進行一系列的驗證實驗以及應用...

【文章頁數(shù)】：79 頁

【學位級別】：碩士

【部分圖文】：

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

典機器學習、一般的表示學習和深度學習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)中學習的組件，可見，深度學習的表征能力是非常強的。圖2.1經(jīng)典機器學習、一般表示學習和深度學習的異同F(xiàn)ig2.1Similaritiesanddifferencesofclass....

圖2.2深度學習模型獲取特征的可視化

學習目標的特征，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。其學習特征的可視化過程如圖2.2所示。圖2.2深度學習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Fig2.4Multipleneuralnetworks

多層神經(jīng)網(wǎng)絡也稱為多層感知機，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)絡各層都稱為隱藏層。圖2.4多層神經(jīng)網(wǎng)絡Fig2.4Multipleneuralnetworks引入多層結(jié)構(gòu)，可以使得神經(jīng)網(wǎng)絡實現(xiàn)更復雜的判別和決策，但同時也提高了學....

本文編號：3999394