深度學習下智能駕駛道路目標檢測算法設計,軟件工程碩士論文隨著經(jīng)濟的發(fā)展和鼓勵政策的出臺，我們國家的汽車產(chǎn)業(yè)呈高速發(fā)展趨勢。國內(nèi)汽車保有量不斷增加，汽車出行在給人們帶來便利的同時，也帶來了極大的安全威脅。近年來人工智能興起，智能駕駛的概念也隨之被提出。目的檢測模塊作為智能駕駛的首要環(huán)節(jié)，需要準確辨別道路前方的汽車、非機動車和行人等目的。在實際應用場景中道路狀況復雜，光照的變化、目的姿態(tài)的多樣性和遮擋等多重因素，都會影響目的檢測系統(tǒng)的精到準確度，進而影響智能駕駛的安全性?；谏疃葘W習的目的檢測算法依托深層卷積神經(jīng)網(wǎng)絡，具有強大的學習能力和場景分析能力，當前主流的深度學習目的檢測算法包括以Faster-RCNN為代表的基于區(qū)域提取的兩階段檢測算法和以SSD、YOLO為代表的基于回歸的單階段檢測算法。考慮智能駕駛場景中對檢測算法的實時性有較高要求，本文以單階段檢測算法為基礎(chǔ)進行研究。詳細如下：1.研究了目的檢測相關(guān)的基礎(chǔ)工作，分析了傳統(tǒng)目的檢測算法和基于深度學習的目的檢測方式方法及其原理，梳理了卷積神經(jīng)網(wǎng)絡的模型構(gòu)造。傳統(tǒng)卷積層的幾何構(gòu)造固定，卷積核感受野受限，缺乏內(nèi)部變化機制，無法適應目的的尺度變換和形變。除此之外，深度神經(jīng)網(wǎng)絡模型的訓練中常存在內(nèi)部協(xié)變量變化問題，為了解決此問題，目的檢測算法中一般使用批規(guī)范化操作來調(diào)整數(shù)據(jù)的分布，然而該方式方法只保存了單個樣本間的區(qū)別，使得網(wǎng)絡易受外觀變化的影響。2.針對單階段目的檢測算法中的典型算法YOLO及YOLOv2，深切進入分析了該算法的網(wǎng)絡構(gòu)造和優(yōu)缺點，通過改良YOLOv2算法的基礎(chǔ)網(wǎng)絡來提升算法的精度。本文將計算量和性能較為適宜的Resnet101特征提取網(wǎng)絡與YOLOv2算法進行融合，通過在KITTI數(shù)據(jù)集上的比照，證明了融合方式方法的有效性，融合后網(wǎng)絡在精度上有所提升。3.本文在YOLOv2融合網(wǎng)絡的基礎(chǔ)上改良了卷積層的構(gòu)造和規(guī)范化的方式。使用可調(diào)制變形卷積代替深度網(wǎng)絡中的上層卷積，使用規(guī)范化方式IBN對網(wǎng)絡的底層進行特征規(guī)范化。改良后的算法在KITTI數(shù)據(jù)集上效果良好，提升了非機動車和行人等形變較大的目的的檢測精度。將本文的算法在自行采集的駕駛視頻中進行實驗，結(jié)果顯示該算法能夠適應霧霾、隧道等光線條件較差的場景。本文關(guān)鍵詞語：深度學習，目的檢測，道路場景，可調(diào)制變形卷積，IBN。AbstractResearchonRoadScenesObjectDetectionBasedonDeepLearningWiththedevelopmentofeconomyandthepromulgationofencouragementpolicies,Chinasautomobileindustryhasbeendevelopingatahighspeed.Withthenumberofdomesticcarownershipincreasing,travelingbycarnotonlybringsconveniencetopeople,butalsobringsgreatsecuritythreats.Inrecentyears,artificialintelligencehasbeenarisenandtheconceptofintelligentdrivinghasalsobeenproposed.Asthefirststepofintelligentdriving,objectdetectionneedstoidentifythetargetssuchasvehicle,non-motorvehicleandpedestrianinfrontoftheroadaccurately.Butinpracticalapplicationscenarios,roadconditionsarecomplex,factorswhichvarianttotheillumination,posesandtruncationwillaffecttheprecisionofobjectdetectionsystem,andthenitwillaffectthesafetyofintelligentdriving.ObjectdetectionalgorithmbasedondeeplearningdependonadeepConvolutionalneuralnetworks,andhasastronglearningandscenarioanalysisability.Atpresent,themainobjectdetectionalgorithmbasedondeeplearningincludestwo-stagedetectionwithregionproposalsrepresentedbyFaster-RCNNandasingle-stagedetectionwithregressionrepresentedbySSDandYOLO.Consideringthehigh-speedrequirementsofthedetectionalgorithmintheintelligentdrivingscene,thispaperstudiesonasingle-stagedetection.Thedetailsareasfollows:1.Ihavestudiedonthebasicworkrelatedtoobjectdetection,andanalyzedthetraditionalobjectdetectionalgorithmandtheobjectdetectionmethodbasedondeeplearning,andsortedoutthemodelstructureofconvolutionalneuralnetwork.Thegeometricstructureofthetraditionalconvolutionallayerisfixed,thereceptivefieldoftheconvolutionkernelislimited,lackingtheinternalchangemechanism,soitcannotadapttothescalevariationandpartdeformation.Inordertosolvetheproblemofinternalcovariateshiftinmodeltraining,batchnormalizationisoftenusedtoadjustthedatadistribution.However,thismethodonlyretainsthedifferencebetweensinglesamples,makingthenetworkvulnerabletoappearancechanges.2.ForthetypicalalgorithmsYOLOandYOLOv2inthesingle-stageobjectdetectionalgorithm,Ihavestudiedonitsthenetworkstructure,advantagesanddisadvantagesofthealgorithmandimprovedtheaccuracyofthealgorithmbymodifyingthebasicnetworkofYOLOv2algorithm.Inthispaper,IcombinedtheYOLOv2withtheResnet101featureextractionnetwork,whichcomputationalpowerandperformancearesuitable.ThecomparisononKITTIdatasetprovestheeffectivenessofthefusionmethod,andtheprecisionisimproved.3.BasedontheYOLOv2fusionnetwork,thispaperimprovesthestructureoftheconvolutionallayerandmethodofnormalization.Modulateddeformableconvolutionwasusedtoreplacetheupperconvolutionallayerinthedeepnetwork,andtheIBNwasusedfordatanormalizationatthebottomofthenetwork.TheimprovedalgorithmworkswellonKITTIdataset,improvingthedetectionprecisionofnon-motorizedvehiclesandpedestrianswithlargedeformationobjects.Thealgorithmofthispaperistestedintheself-acquireddrivingvideo.Theresultsshowthatthealgorithmcanadapttothesceneswithpoorlightingconditionssuchasfogandtunnel.Keywords:DeepLearning,ObjectDetection,RoadScenes,ModulatedDeformableConvolution,Instance-BatchNormalization。文章為碩士論文，如需全文請點擊底部下載全文鏈接】1.3論文研究內(nèi)容1.4論文組織構(gòu)造第2章目的檢測相關(guān)基礎(chǔ)工作2.1傳統(tǒng)目的檢測算法2.1.1區(qū)域選擇2.1.2特征提取2.1.3分類器2.2基于深度學習的目的檢測算法2.2.1基于區(qū)域的兩階段目的檢測2.2.2基于回歸的單階段目的檢測2.3主流深度學習框架2.4本章小結(jié)第3章基于卷積神經(jīng)網(wǎng)絡的目的檢測原理分析3.1神經(jīng)元模型3.2卷積神經(jīng)網(wǎng)絡3.2.1卷積層3.2.2池化層3.2.3激活函數(shù)3.2.4全連接層3.3損失函數(shù)3.4訓練和正則化3.4.1L1和L2正則化3.4.2隨機失活3.4.3批規(guī)范化3.5本章小結(jié)第4章基于深度學習的道路場景目的檢測算法4.1算法概述4.2基于YOLOv2算法的改良4.2.1Resnet基礎(chǔ)網(wǎng)絡4.2.2卷積算法的改良4.2.3規(guī)范化的改良4.3基于可調(diào)制變形卷積和IBN規(guī)范化的改良網(wǎng)絡4.4本章小結(jié)第5章實驗結(jié)果與分析5.1數(shù)據(jù)集及相關(guān)配置5.2模型評價指標5.3實驗環(huán)境及參數(shù)設置5.4實驗結(jié)果分析5.4.1融合算法在KITTI數(shù)據(jù)集上的效果5.4.2網(wǎng)絡構(gòu)造改良的效果5.5本章小結(jié)第6章總結(jié)隨著全球經(jīng)濟的復蘇和各個國家對汽車制造業(yè)的政策鼓勵，全球的汽車產(chǎn)量逐年增加，我們國家的汽車產(chǎn)業(yè)固然較于發(fā)達國家起步較晚，但是國內(nèi)汽車在近年來呈高速發(fā)展趨勢。國內(nèi)汽車保有量不斷增加，汽車出行在給人們帶來便利的同時也帶來了極大的安全威脅。人工智能領(lǐng)域在近年來聲勢很大，很多行業(yè)都開場應用人工智能技術(shù)，智能駕駛的概念也隨之被提出。利用人工智能、計算機視覺等技術(shù)，能夠讓汽車感悟駕駛場景并進行安全無人駕駛或者輔助駕駛。目的檢測環(huán)節(jié)作為智能駕駛的首要環(huán)節(jié)，其任務相當于駕駛員的眼睛，需要準確辨別道路前方的汽車和行人等目的。然而，實際應用場景中存在天氣不定、目的遮擋、尺度變化等多重因素，這些都會影響目的檢測系統(tǒng)的精