深度学习下智能驾驶道路目标检测算法设计,软件工程硕士论文.docx

《深度学习下智能驾驶道路目标检测算法设计,软件工程硕士论文.docx》由会员分享，可在线阅读，更多相关《深度学习下智能驾驶道路目标检测算法设计,软件工程硕士论文.docx（10页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、深度学习下智能驾驶道路目标检测算法设计,软件工程硕士论文随着经济的发展和鼓励政策的出台，我们国家的汽车产业呈高速发展趋势。国内汽车保有量不断增加，汽车出行在给人们带来便利的同时，也带来了极大的安全威胁。近年来人工智能兴起，智能驾驶的概念也随之被提出。目的检测模块作为智能驾驶的首要环节，需要准确辨别道路前方的汽车、非机动车和行人等目的。在实际应用场景中道路状况复杂，光照的变化、目的姿态的多样性和遮挡等多重因素，都会影响目的检测系统的精到准确度，进而影响智能驾驶的安全性。 基于深度学习的目的检测算法依托深层卷积神经网络，具有强大的学习能力和场景分析能力，当前主流的深度学习目的检测算法包括以 Fas

2、ter-RCNN 为代表的基于区域提取的两阶段检测算法和以 SSD、YOLO 为代表的基于回归的单阶段检测算法。考虑智能驾驶场景中对检测算法的实时性有较高要求，本文以单阶段检测算法为基础进行研究。详细如下： 1. 研究了目的检测相关的基础工作，分析了传统目的检测算法和基于深度学习的目的检测方式方法及其原理，梳理了卷积神经网络的模型构造。传统卷积层的几何构造固定，卷积核感受野受限，缺乏内部变化机制，无法适应目的的尺度变换和形变。除此之外，深度神经网络模型的训练中常存在内部协变量变化问题，为了解决此问题，目的检测算法中一般使用批规范化操作来调整数据的分布，然而该方式方法只保存了单个样本间的区别，使

3、得网络易受外观变化的影响。 2. 针对单阶段目的检测算法中的典型算法 YOLO 及 YOLOv2，深切进入分析了该算法的网络构造和优缺点，通过改良 YOLOv2 算法的基础网络来提升算法的精度。本文将计算量和性能较为适宜的 Resnet101 特征提取网络与 YOLOv2 算法进行融合，通过在 KITTI 数据集上的比照，证明了融合方式方法的有效性，融合后网络在精度上有所提升。 3. 本文在 YOLOv2 融合网络的基础上改良了卷积层的构造和规范化的方式。使用可调制变形卷积代替深度网络中的上层卷积，使用规范化方式 IBN 对网络的底层进行特征规范化。改良后的算法在 KITTI 数据集上效果良好

4、，提升了非机动车和行人等形变较大的目的的检测精度。将本文的算法在自行采集的驾驶视频中进行实验，结果显示该算法能够适应雾霾、隧道等光线条件较差的场景。 本文关键词语： 深度学习，目的检测，道路场景，可调制变形卷积，IBN。 Abstract Research on Road Scenes Object Detection Based on Deep Learning With the development of economy and the promulgation of encouragement policies, China s automobile industry has been

5、 developing at a high speed. With thenumber of domestic car ownership increasing, traveling by car not only brings convenience to people, but also brings great security threats. In recent years, artificial intelligence has been arisen and the concept of intelligent driving has also been proposed. As

6、 the first step of intelligent driving, object detection needs to identify the targets such as vehicle, non-motor vehicle and pedestrian in front of the road accurately. But in practical application scenarios, road conditions are complex,factors which variant to the illumination, poses and truncatio

7、n will affect the precision of object detection system, and then it will affect the safety of intelligent driving. Object detection algorithm based on deep learning depend on a deep Convolutional neural networks, and has a strong learning and scenario analysis ability. At present, the main object de

8、tection algorithm based on deep learning includes two-stage detection with region proposals represented by Faster-RCNN and asingle-stage detection with regression represented by SSD and YOLO. Considering the high-speed requirements of the detection algorithm in the intelligent driving scene, this pa

9、per studies on a single-stage detection. The details are as follows: 1. I have studied on the basic work related to object detection, and analyzed the traditional object detection algorithm and the object detection method based on deep learning, and sorted out the model structure of convolutional ne

10、ural network. The geometric structure of the traditional convolutional layer is fixed, the receptive field of the convolution kernel is limited, lacking the internal change mechanism, so it cannot adapt to the scale variation and part deformation. In order to solve the problem of internal covariate

11、shift in model training, batch normalization is often used to adjust the data distribution. However, this method only retains the difference between single samples, making the network vulnerable to appearance changes. 2. For the typical algorithms YOLO and YOLOv2 in the single-stage object detection

12、 algorithm, I have studied on it s the network structure, advantages anddisadvantages of the algorithm and improved the accuracy of the algorithm by modifying the basic network of YOLOv2 algorithm. In this paper, I combined theYOLOv2 with the Resnet101 feature extraction network, which computational

13、 power and performance are suitable. The comparison on KITTI data set proves theeffectiveness of the fusion method, and the precision is improved. 3. Based on the YOLOv2 fusion network, this paper improves the structure of the convolutional layer and method of normalization. Modulated deformable con

14、volution was used to replace the upper convolutional layer in the deep network, and the IBN was used for data normalization at the bottom of the network. The improved algorithm works well on KITTI dataset, improving the detection precision of non-motorized vehicles and pedestrians with large deforma

15、tion objects. The algorithm of this paper is tested in the self-acquired driving video. The results show that the algorithm can adapt to the scenes with poor lighting conditions such as fog and tunnel. Keywords: Deep Learning, Object Detection, Road Scenes, Modulated Deformable Convolution, Instance

16、-Batch Normalization。 文章为硕士论文，如需全文请点击底部下载全文链接】 1.3 论文研究内容 1.4 论文组织构造 第 2 章 目的检测相关基础工作 2.1 传统目的检测算法 2.1.1 区域选择 2.1.2 特征提取 2.1.3 分类器 2.2 基于深度学习的目的检测算法 2.2.1 基于区域的两阶段目的检测 2.2.2 基于回归的单阶段目的检测 2.3 主流深度学习框架 2.4 本章小结 第 3 章 基于卷积神经网络的目的检测原理分析 3.1 神经元模型 3.2 卷积神经网络 3.2.1 卷积层 3.2.2 池化层 3.2.3 激活函数 3.2.4 全连接层 3.3

17、损失函数 3.4 训练和正则化 3.4.1 L1 和 L2 正则化 3.4.2 随机失活 3.4.3 批规范化 3.5 本章小结 第 4 章 基于深度学习的道路场景目的检测算法 4.1 算法概述 4.2 基于 YOLOv2 算法的改良 4.2.1 Resnet 基础网络 4.2.2 卷积算法的改良 4.2.3 规范化的改良 4.3 基于可调制变形卷积和 IBN 规范化的改良网络 4.4 本章小结 第 5 章 实验结果与分析 5.1 数据集及相关配置 5.2 模型评价指标 5.3 实验环境及参数设置 5.4 实验结果分析 5.4.1 融合算法在 KITTI 数据集上的效果 5.4.2 网络构造改

18、良的效果 5.5 本章小结 第 6 章 总结 随着全球经济的复苏和各个国家对汽车制造业的政策鼓励，全球的汽车产量逐年增加，我们国家的汽车产业固然较于发达国家起步较晚，但是国内汽车在近年来呈高速发展趋势。国内汽车保有量不断增加，汽车出行在给人们带来便利的同时也带来了极大的安全威胁。人工智能领域在近年来声势很大，很多行业都开场应用人工智能技术，智能驾驶的概念也随之被提出。利用人工智能、计算机视觉等技术，能够让汽车感悟驾驶场景并进行安全无人驾驶或者辅助驾驶。目的检测环节作为智能驾驶的首要环节，其任务相当于驾驶员的 眼睛 ，需要准确辨别道路前方的汽车和行人等目的。然而，实际应用场景中存在天气不定、目的

19、遮挡、尺度变化等多重因素，这些都会影响目的检测系统的精到准确度，进而影响智能驾驶的安全性。 为了同时知足道路场景目的检测的实时性和精到准确度的要求，本文基于深度学习领域的单阶段目的检测算法，构造一种新的卷积神经网络。 本文主要工作如下： 1. 介绍了目的检测相关的基础工作，扼要说明了传统目的检测算法和基于深度学习的目的检测方式方法及原理。 2. 具体分析了卷积神经网络的模型构造，分析了传统卷积运算的缺陷，比照了常见规范化方式方法，阐述了目的检测领域 BN 方式方法的局限性。 3. 研究了单阶段目的检测算法 YOLO 及 YOLOv2，深切进入分析了 YOLO 算法的网络构造和优缺点，通过改良

20、YOLOv2 算法的基础网络来提升算法的精度。本文融合了 Resnet 特征提取网络和 YOLOv2 算法，在 KITTI 数据集上进行比照证明了融合方式方法的有效性，融合后网络在精度上有所提升。 4. 道路场景目的检测的对模型的泛化能力要求较高，现有大型数据集和我们国家道路场景存在差异，且在实际应用场景中目的形态、尺度和外观变化较大，所以本文在 YOLOv2 融合网络的基础上改良了卷积层的构造和规范化的方式。使用可调制变形卷积代替卷积网络的上层卷积层，使用 IBN 方式对网络的底层进行数据处理。改良后的网络在 KITTI 数据集上对非机动车和行人等形变较大的目的检测精度有所提升，该模型在自行采集的驾驶视频中，能够适应多云、隧道等光线条件较差的场景。 以下为参考文献