原文传递
基于深度学习的交通场景多目标检测
| 论文题名： | 基于深度学习的交通场景多目标检测 |
| 关键词： | 交通场景;多目标检测;深度学习;卷积神经网络;数据集扩增 |
| 摘要： | 交通场景中的目标检测技术是针对不同的交通场景下的图片或视频中的车辆、行人等，通过机器学习和深度学习的方法进行智能分类识别。作为近年来理论与实际应用中的研究热点，在驾驶辅助系统、无人驾驶等方面具有极为广泛的应用前景。但是由于交通场景中的复杂性，车辆、行人等受到光照强度、天气变化、遮挡等不确定性因素的影响，使得目标检测依然面临着巨大的挑战。 目前深度学习已经取得很好的效果，其中基于深度学习的目标检测算法的调优与训练样本有关，主要是通过数据集中的训练样本及其对应的标签放入卷积神经网络中进行训练，得到一个卷积神经网络模型，然后用数据集中的测试样本在卷积神经网络模型中得到预测的结果，最终与测试样本的标签进行对比，得到测试结果。通过对这些目标检测技术的研究，本文对目标检测的精确性和实时性两方面进行研究，主要的工作如下： 1.针对国内的交通场景，利用现有的SSD目标检测网络框架进行训练和精调，从而构建了国内的交通场景下的目标检测模型。先实际拍摄的交通视频中截取大量不同环境、天气变化下等情况下的图片，并用工具进行标注了国内交通场景中较多的行人、车辆、摩托车，制作了一个长沙交通数据集，然后在数据集下对SSD目标检测网络训练及调节参数。根据实验部分给出了不同的训练迭代次数、网络模型中不同的输出层、默认包围盒长宽比的变化、数据集扩增后对实验结果的影响性，并且证明了精调后的网络在目标检测方面精确度和检测效率都比较好。 2.提出了目标检测网络SSD-ResNet，提高了交通场景中目标检测的实时性和精确性。目前深度残差网络具有更好的特征表达能力以及较低的训练误差和测试误差，并且能够使得网络训练过程中计算量更少，将SSD网络中基础网络框架VGG-16替换为残差网络ResNet-26，并且将修改好的网络模型SSD-ResNet放在KITTI数据集下进行训练和调节参数，其检测的精确度和实时性都得到提高，并且在长沙数据集和KITTI数据集下比较了SSD-ResNet网络检测车和行人的性能。 |
| 作者： | 李珊珊 |
| 专业： | 计算机技术 |
| 导师： | 肖德贵 |
| 授予学位： | 硕士 |
| 授予学位单位： | 湖南大学 |
| 学位年度： | 2017 |
| 正文语种： | 中文 |
检索历史
应用推荐
