原文传递
复杂道路背景下的目标检测算法研究
| 论文题名： | 复杂道路背景下的目标检测算法研究 |
| 关键词： | 深度学习;目标检测;复杂背景;自动驾驶 |
| 摘要： | 汽车保有量的快速增加方便了人们的出行，但随之而来的道路拥堵、交通事故伤亡等问题也日益严重。近些年来随着人工智能的快速发展，汽车自动驾驶技术成为了解决传统汽车道路交通问题的重要技术，受到了越来越多企业及国家的重视与研究。目标检测算法作为自动驾驶系统的基础和重要组成部分，需要快速而准确地识别并定位目标，在一般的道路背景下，现有的目标检测算法已经可以胜任，但在复杂的道路背景下，由于目标多而杂，且距离和角度变化大，会存在着密集目标的遮挡问题以及小目标检测问题，容易造成误检和漏检，给现有的目标检测算法带来了极大的挑战，与此同时，自动驾驶系统的复杂度越来越高，给硬件也带来了很大的负担，因此，将目标检测算法设计地更加轻量化具有重大的现实意义。本文以基于深度学习的目标检测算法为基础，对复杂道路背景下的目标检测算法展开研究，具体研究内容如下： (1)针对复杂道路背景下的遮挡目标和小目标导致的误检、漏检问题，本文以YOLOv5s算法为基础，首先引入QualityFocalLoss，将分类得分与位置的质量预测结合，使得改进后的损失函数在保证原始FocalLoss能够平衡正负、难易样本特性的同时，还能够处理连续的标签值，无损提高了检测精度；其次增加一层浅层检测层作为更小目标的检测层，将原始算法的三尺度检测改为四尺度，特征融合部分也作相应改动，提高了算法对小目标特征的学习能力；然后借鉴BiFPN的特征融合思想，提出了去权重的BiFPN，充分利用深层、浅层以及原始的特征信息，加强了特征融合，进一步减少卷积过程中特征信息的丢失，提高了小目标的检测精度；最后为了进一步提升算法的特征提取能力，引入CBAM注意力机制，通过实验探究，将CBAM注意力模块嵌入算法的检测头前，让算法更关注有用的信息。 (2)针对复杂道路背景下目标检测算法不够轻量化的问题，本文同样以YOLOv5s算法为基础，首先保留对FocalLoss以及对多尺度检测的改进，保证了算法有较高的检测精度；其次，借鉴GhostNet，通过实验探究，将原算法Neck部分的Bottleneck替换为GhostBottleneck，在保持检测精度的前提下，减小了算法模型的体积，减少了参数量和计算量；然后将原网络的Backbone部分替换为Mobilenetv3，进一步轻量化算法，提升了算法在CPU环境下的检测速度；最后将算法进行一系列格式转换，成功嵌入树莓派视觉小车，实现算法落地。 |
| 作者： | 王鹏飞 |
| 专业： | 软件工程 |
| 导师： | 黄汉明 |
| 授予学位： | 硕士 |
| 授予学位单位： | 广西师范大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
