原文传递
基于深度学习的车辆行人目标检测研究
| 论文题名： | 基于深度学习的车辆行人目标检测研究 |
| 关键词： | 车辆检测;数据增强;深度学习;注意力机制;损失函数 |
| 摘要： | 随着信息化的加深，以及智能交通的不断发展，人工智能的兴起，无人驾驶技术作为人工智能技术在汽车领域的高度发展方向，具有很大的发展前景，尤其是在疫情期间更是得到了广泛重视与应用，成为技术领域的热点。自动驾驶的基础技术分别包括车辆行人检测，车道线检测等，近年来受到研究者密切研究。模拟图像一般会选择目标清晰具体的图像作为目标。然而在实际复杂场景中，车辆行人图像与模拟图像不同，经常会出现车辆前后遮挡，太阳升落，晴雨导致的光线明暗变化，远处的车辆过小等问题，导致无法准确定位目标导致的准确度和精度下降。 本文主要是针对基于计算机视觉的自动驾驶场景中无人驾驶方向上，基于一阶段检测算法的车辆检测算法技术进行了调查与研究。经过调研车辆检测背景、现状和历史后，提出了新的车辆检测算法。本文的主要研究内容及创新点包括：由于一阶段检测算法相比于二阶段检测算法具有速度更快的优点，虽然精度有所下降但是对于车辆检测有更高的研究意义，在对其进行改进之后能在速度允许的条件下，兼顾检测精度和检测速度。 1.由于基础网络检测效果差，有大量误检漏检现象，针对如上的重要问题，本文提出了一种新的基于YOLOv4注意力改进的自适应空间特征融合的车辆检测算法。本文的算法通过在主干网络中引入注意改进的自适应空间特征融合策略生成金字塔形特征表示，利用注意力改进的自适应空间特征融合模块，来增强主干网络的特征提取能力。为了评价模型预测值与真值不一致的程度，在预测框的筛选过程中引入Loss-PIoU来取代常规的CIoU手段。实验表明，该算法的有效性。 2.在使用注意力改进的自适应空间特征融合目标检测算法改进基础上，本文进行了轻量化改进的设计，使用MobileNetv3代替YOLOv4当中的主干网络，采用可减少参数量的深度可分离卷积来替换原始网络中多尺度特征融合网络体系中传统卷积，在未损失主干特征提取网络特征提取能力的同时使用SiLu代替Relu激活函数，通过一系列操作使整体参数量大幅下降，使整个车辆模型的推理速度急剧下调。 3.最后分别在UA-DETRAC以及KITTI车辆数据库上对本文提出的方法进行了大量消融实验进行了广泛的验证，通过分别加入不同模块对比实验结果表明，本文提出的基于YOLOv4改进的注意力改进的自适应空间特征融合车辆检测网络降低了车辆的误检率，使车辆检测更加准确，在无人驾驶方向上具有较好的表现。 |
| 作者： | 逄晨曦 |
| 专业： | 计算机应用技术 |
| 导师： | 李文辉 |
| 授予学位： | 硕士 |
| 授予学位单位： | 吉林大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
