检索结果-南通市图书馆

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于YOLO的交通场景多元素检测算法研究

基于YOLO的交通场景多元素检测算法研究

作者：段学虎齐鲁工业大学

学位级别：硕士

交通场景中的待检测目标因遮挡、密集、尺度小以及天气变化等因素的影响,导致待检测目标具有高复杂、弱特征以及高密度等特性。对于目标检测模型,以上特性极易导致模型精度及鲁棒性降低等问题。本文以深度学习理论为框架,在YOLOv5和YOL... 详细信息

交通场景中的待检测目标因遮挡、密集、尺度小以及天气变化等因素的影响,导致待检测目标具有高复杂、弱特征以及高密度等特性。对于目标检测模型,以上特性极易导致模型精度及鲁棒性降低等问题。本文以深度学习理论为框架,在YOLOv5和YOLOv8目标检测框架基础上,从弱特征、高密度、噪声干扰以及特征丢失四个方面分别提出了适用无人机视角下的车辆、行人等多种元素的目标识别以及交通标志检测两个场景多元素目标识别算法,以提升计算机视觉中目标检测算法在交通多元素目标检测中的性能,其主要工作和研究内容如下:针对无人机视角下交通场景中待检测目标存在小尺寸、弱特征、密集及遮挡现象,导致目前的目标检测模型性能降低,尤其在准确率方面的问题,提出DBF-YOLO模型以及GBS-YOLOv5模型。首先,在改进的DBF-YOLO模型中提出浅层特征提取网络和特征融合网络,以提高小目标检测的准确性和泛化能力。其次,针对行人及车辆小目标检测面临目标重叠、变形等问题,提出了GBS-YOLOv5模型。该模型引入高效时空交互模块、浅层瓶颈模块和空间金字塔卷积模块,提高了对目标特征信息提取能力。针对交通标志检测场景小目标对象易出现受天气状况影响(如雾霾、逆光等),甚至出现被遮挡现象,导致模型出现准确性下降及漏检等问题,提出REPAN-YOLOv8模型以及DPF-YOLOv8模型。其中前者适用于天气良好条件下的交通标志检测场景,后者则适用于雾霾天气条件下的交通标志检测场景。首先,为解决交通标志多尺度变化、小尺寸目标问题,REPAN-YOLOv8模型提出递归路径聚合网络。此外,为了增强检测网络对深层特征信息的挖掘能力,设计一种高效多支路跨阶段局部网络。鉴于在交通标志检测领域,小尺寸交通标志占比更多,且其在特征图中的语义信息匮乏,构建浅层特征融合路径网络以丰富小目标的语义信息。其次,针对雾霾天气,交通标志出现遮挡及特征信息干扰问题,提出双路径特征融合网络DPF-YOLOv8算法。本文通过设计双路径特征融合网络和高效特征聚合跨阶段连接网络,有效解决了交通标志遮挡、特征信息少及尺寸变化的问题,并在实验中取得了较高的准确率。

关键词：交通场景 YOLO 目标检测深度学习智能驾驶

结合超像素的交通场景小目标改进语义分割算法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

太原科技大学学报 2024年第3期45卷 299-305页

作者：罗臣彦谢新林刘晓芳尹东旭太原科技大学电子信息工程学院太原030024 先进控制与装备智能化山西省重点实验室太原030024 山西省云时代技术有限公司太原030006

交通场景图像语义分割是自动驾驶和智能交通等领域的重要研究问题之一。针对交通场景图像中小目标分割精度低的问题,提出一种以全卷积网络和超像素为基础的交通场景小目标改进语义分割算法。首先,基于全卷积网络获得粗糙语义分割结果,... 详细信息

交通场景图像语义分割是自动驾驶和智能交通等领域的重要研究问题之一。针对交通场景图像中小目标分割精度低的问题,提出一种以全卷积网络和超像素为基础的交通场景小目标改进语义分割算法。首先,基于全卷积网络获得粗糙语义分割结果,提取小目标的位置信息。其次,定位小目标各像素点对应超像素,并提取该超像素内各像素点的类别标签。最后,用超像素内最大可能性的类别为小目标重新标注语义标签。实验结果表明,所提算法能够提高小目标分割的准确率,对道路场景图像语义分割性能的提高是有效的。

关键词：语义分割全卷积网络超像素交通场景深度学习

维普期刊数据库

融合多尺度深度卷积的轻量级Transformer交通场景语义分割算法

在线全文

学校读者我要写书评

暂无评论

通信学报 2023年第10期44卷 213-225页

作者：谢刚王荃毅谢新林王健安太原科技大学电子信息工程学院山西太原030024 先进控制与装备智能化山西省重点实验室山西太原030024

针对交通场景语义分割算法中存在的易融入周围背景的纤细条状目标分割不连续、模型参数量大等问题,提出一种融合多尺度深度卷积的轻量级Transformer交通场景语义分割算法。首先,基于深度卷积构建多尺度条形特征提取模块,在不同尺度下增... 详细信息

针对交通场景语义分割算法中存在的易融入周围背景的纤细条状目标分割不连续、模型参数量大等问题,提出一种融合多尺度深度卷积的轻量级Transformer交通场景语义分割算法。首先,基于深度卷积构建多尺度条形特征提取模块,在不同尺度下增强对纤细条状目标特征的表示能力。其次,在浅层网络中利用卷积归纳偏置特性设计空间细节辅助模块,以弥补深层空间细节信息的丢失来优化目标边缘分割。最后,提出基于Transformer-CNN框架的非对称编解码网络,编码器结合Transformer与CNN减少细节信息丢失并降低模型参数量;而解码器采用轻量级的多级特征融合设计来进一步建模全局上下文。所提算法在Cityscapes和CamVid交通场景公开数据集上分别取得的平均交并比为78.63%和81.06%,能够在交通场景语义分割中实现分割精度和模型大小之间的权衡,具备良好的应用前景。

关键词：语义分割深度学习注意力机制轻量级交通场景

维普期刊数据库

在线全文

学校读者我要写书评

暂无评论

双注意力引导的跨层优化交通场景语义分割

交通运输系统工程与信息 2023年第1期23卷 236-244页

作者：谢新林罗臣彦续欣莹谢刚太原科技大学电子信息工程学院太原030024 先进控制与装备智能化山西省重点实验室太原030024 太原理工大学电气与动力工程学院太原030024

针对交通场景目标分割边缘不平滑以及小目标难以准确分割等问题,本文提出一种双注意力引导的跨层优化交通场景语义分割算法。首先,构建多分支特征提取编码网络,并利用串行非比例式空洞卷积实现空间上下文信息提取,进而改善小目标信息的... 详细信息

针对交通场景目标分割边缘不平滑以及小目标难以准确分割等问题,本文提出一种双注意力引导的跨层优化交通场景语义分割算法。首先,构建多分支特征提取编码网络,并利用串行非比例式空洞卷积实现空间上下文信息提取,进而改善小目标信息的丢失;其次,构建基于空间对齐的跨层特征融合解码网络,实现语义信息和细节信息的融合,增强不同尺度目标的表达能力;最后,提出通道和空间注意力机制,建模全局通道相关性和长距离位置相关性,增强网络对关键特征的学习能力。交通场景数据集Cityscapes和CamVid上的实验结果表明,所提特征提取编码网络、跨层特征融合解码网络以及注意力机制模块是有效的;所提语义分割算法获得了77.79%和78.66%的平均交并比,能够平滑目标分割边缘,尤其对细长条形目标具有鲁棒性。

关键词：智能交通语义分割深度学习注意力机制小目标交通场景

维普期刊数据库

在线全文

学校读者我要写书评

暂无评论

交通场景中行人检测网络研究及国产平台应用

交通场景中行人检测网络研究及国产平台应用

作者：靳静玺长安大学

学位级别：硕士

交通安全是高速公路和隧道交通管理的重要内容,行人闯入事件对交通安全造成较大影响,危害性的行人闯入事件,往往造成较严重的生命财产损失。国产系统的应用对我国智能交通系统的建设和发展具有重要的意义,研究交通场景行人检测的方法及... 详细信息

交通安全是高速公路和隧道交通管理的重要内容,行人闯入事件对交通安全造成较大影响,危害性的行人闯入事件,往往造成较严重的生命财产损失。国产系统的应用对我国智能交通系统的建设和发展具有重要的意义,研究交通场景行人检测的方法及其在国产平台的部署,具有重要的理论意义和应用价值。本文以高速公路行人闯入事件对交通安全影响作为切入点,主要研究以下内容:(1)高速公路场景行人检测数据集的研究。本文首先回顾了现有的公开数据集的覆盖场景,筛选COCO数据集中存在的小目标、中目标的14307张行人图像;然后针对不同时段、不同天气的高速公路和隧道场景,采集了部分数据集进行样本标注,得到2818张标注样本;接着为了得到更多姿态和角度的行人样本,将实际道路无行人的场景数据与行人重识别数据集中多姿态、多角度的行人目标进行样本融合,制作了8550张行人样本;最后对上述数据集进行整理与划分,得到高速公路行人数据集。(2)改进YOLOv5的行人检测网络。为了使道路远处的小目标行人能够尽可能的被行人检测网络检测到,本文通过对YOLOv5网络进行研究,采用最新的YOLOv5 6.1版本进行实验。本文首先设置三组不同分辨率参数进行训练实验,选取在高速公路行人数据集上检测效果最好的分辨率参数进行训练;然后利用最新的注意力机制领域的研究成果,将YOLOv5与全局注意力机制(GAM)结合起来进行网络的改进实验,得到改进后的YOLOv5网络;最后将改进后的网络进行训练与实际交通场景下测试。测试结果表明,改进的YOLOv5网络在高速公路和隧道场景能够达到93.26%的准确率和32FPS的检测速度。(3)国产平台行人检测系统的开发与应用。首先通过对国产平台与传统深度学习硬件平台的对比分析,本文设计并开发了国产平台的高速公路行人检测系统;然后将改进后的YOLOv5网络移植到国产平台,借助Atlas 300I中NPU硬件加速芯片进行行人闯入事件的实时检测分析与处理;接着设计并开发了高速公路行人检测系统的可视化界面,将行人闯入事件的检测结果提供给高速公路管理部门进行实时查看;最后选择多个高速公路和隧道场景进行系统测试。最终的测试结果表明,本系统对行人闯入事件的检测精度达到89.84%、系统误报率仅为4.90%以及5.27%的漏报率。

关键词：交通场景行人检测国产平台 YOLOv5 注意力机制

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

交通场景中轻量化二值网络研究

交通场景中轻量化二值网络研究

作者：刘科君湘潭大学

学位级别：硕士

交通场景中存在大量的环境感知需求,不管是在辅助驾驶还是自动驾驶情况下,都需要对车道线、可行驶区域、车辆、行人、路面标识、交通灯、交通标志等交通环境中的重要目标物进行检测和识别,通过视觉传感器从环境中检测并识别出上述重要信... 详细信息

交通场景中存在大量的环境感知需求,不管是在辅助驾驶还是自动驾驶情况下,都需要对车道线、可行驶区域、车辆、行人、路面标识、交通灯、交通标志等交通环境中的重要目标物进行检测和识别,通过视觉传感器从环境中检测并识别出上述重要信息,可以帮助车辆做出安全、规范的驾驶行为决策。目前随着深度神经网络在计算机视觉领域的成功应用,交通场景中各种检测和识别的任务都可以借助深度神经网络来处理,但是通常的深度神经网络规模很大,对处理器的算力和内存要求很高,而且能耗大,因此难以在资源受限的平台上进行部署。作为智能车辆,其车载平台就存在资源受限的制约、同时也要求低功耗、实时性强,因此研究适用于资源受限的车载端的轻量级目标检测或识别深度神经网络具有重要意义和实用价值。本文针对交通场景中的车辆、行人检测与交通标志识别问题,在全精度深度神经网络模型基础上,分别开展了二值量化的深度神经检测网络模型与识别网络模型的研究,具体内容包括:研究了用于车辆和行人检测的二值化SSD网络,首先,对以VGG16为骨干网络的SSD300运用具有跳接分支的二值化模块对卷积单元进行二值化,同时在权重二值化时考虑权重的幅值因素影响。然后通过聚类算法设置合适的候选框尺度和比率,最后用双曲正切函数的导数替换掉直通器来近似符号函数的导数进行反向传播。最后,在KITTI和PASCAL VOC数据集上分别对比了实值网络与本文的二值化检测网络,本文检测模型在计算量,模型大小,检测精度等标准上取得了较好的效果。在检测精度没有较大下降的前提下,对于KITTI数据集,计算量降为原来的百分之六,参数量降低到原来的百分之十五;对于VOC数据集,计算量降为原来的百分之八,参数量降低到原来的百分之二十二。研究了用于交通标志识别的二值化ShuffleNetV2网络,首先在保证ShuffleNetV2的普通卷积模块与深度可分离卷积模块的卷积方式不变的基础上将除第一层外的卷积模块进行二值化。同时观察到在二值化网络中,激活分布与特征图的语义特征表示关系密切,特征图的语义特征表示的变化会极大程度地影响到网络的准确率,于是通过在符号函数与激活函数中引入可以学习的参数,进行激活分布的调整,提高了网络的表达能力,进而提高网络的准确率。最后,在GTSRB和BTSC数据集上分别对比了实值网络与本文的二值化识别网络,在训练BTSC数据集时,考虑到BTSC数据集样本太少,将网络从GTSRB数据集学习到的特征迁移到BTSC数据集的学习上,本文识别模型在计算量,模型大小,识别精度等标准上取得了较好的效果。在准确率没有较大下降的前提下,对于GTSRB数据集,计算量降为原来的百分之十一,参数量降低到原来的百分之九;对于BTSC数据集,计算量降为原来的百分之十一,参数量降低到原来的百分之十一。

关键词：二值化神经网络目标检测目标识别交通场景

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

交通场景下机动目标跟踪算法研究

交通场景下机动目标跟踪算法研究

作者：高熙电子科技大学

学位级别：硕士

交通目标跟踪是城市智能交通系统（Intelligent Transportation System,ITS）交通信息处理中重要的一环。随着交通环境复杂化,对交通目标连续稳定的跟踪成为亟待解决的难题。本文以解决交通场景下机动目标跟踪算法为研究课题,重点研究... 详细信息

交通目标跟踪是城市智能交通系统（Intelligent Transportation System,ITS）交通信息处理中重要的一环。随着交通环境复杂化,对交通目标连续稳定的跟踪成为亟待解决的难题。本文以解决交通场景下机动目标跟踪算法为研究课题,重点研究交通场景下临近走-停-走目标跟踪算法、交通场景下高机动走-停-走目标跟踪算法等,以达到对交通目标连续稳健跟踪。本文针对交通机动目标跟踪的目标漏检和高机动性两个难点,统计分析交通目标的运动行为,提出适用于交通场景临近走-停-走目标跟踪和高机动走-停-走目标跟踪算法,通过仿真实验和实测数据验证算法的可行性。主要研究内容分为三部分。1、针对交通场景中车辆机动目标复杂多变的行为,分析多种典型运动场景,提出一种普适的交通场景目标机动运动模型,并分析交通场景下适用的运动模型集合,通过运动特性建模,将机动目标跟踪由浅入深地分为临近走-停-走目标跟踪和高机动走-停-走目标跟踪。2、针对交通场景下临近走-停-走目标运动量测混杂和丢失问题,深入分析临近目标等待信号灯场景,提出一种基于空域相关性的临近走-停-走目标跟踪算法,相较于基于最近邻简化联合概率数据关联-无迹卡尔曼滤波（Nearest Neighbor Cheap Joint Probabilistic Data Association Unscented Kalman Filter,NNCJPDA-UKF）的走-停-走目标跟踪算法,该算法实现对多目标量测丢失情况下的航迹正确匹配,降低跟踪误差,提升目标跟踪成功率和跟踪精度。3、针对交通场景下高机动走-停-走目标运动高机动问题,根据运动建模,深入分析靠边停车和路口掉头等场景,提出一种基于道路信息认知的高机动走-停-走目标跟踪算法,相较于基于变结构交互多模型（Variable Structure-Interacting Multiple Model,VS-IMM）的走-停-走目标跟踪算法,该算法实现对多目标多运动状态连续跟踪,实现对多目标量测丢失情况下的航迹正确匹配,降低跟踪误差,提升目标跟踪成功率和跟踪精度,并通过实测数据验证了算法的可行性。本文提出的一系列算法已通过仿真实验验证,具有一定性能提升,且在实测场景中表现优异,具有一定的工程实践价值。

关键词：交通场景机动目标走-停-走目标标号连续知识辅助

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

交通场景中基于深度学习的目标检测研究

交通场景中基于深度学习的目标检测研究

作者：陈诚西华大学

学位级别：硕士

交通场景中的目标检测是自动驾驶、智慧交通等领域的研究热点与难点问题,智慧交通以提高运输效率、保障交通安全、缓解交通拥堵为主要目标。目标检测技术是智慧交通系统中的重要组成部分,是环境感知的关键一环,在交通场景中起着至关重... 详细信息

交通场景中的目标检测是自动驾驶、智慧交通等领域的研究热点与难点问题,智慧交通以提高运输效率、保障交通安全、缓解交通拥堵为主要目标。目标检测技术是智慧交通系统中的重要组成部分,是环境感知的关键一环,在交通场景中起着至关重要的作用。在交通场景中,目标检测任务具有高度复杂性,尤其在特征提取过程面临巨大挑战。深度学习技术为目标检测提供了一种革命性的解决方法,取得了显著的进展,较传统算法在检测性能上更具鲁棒性,为交通场景的目标检测带来了新的机遇。本文基于深度学习的方法,凭借其对目标检测强大的特征提取能力,利用相机和激光雷达采集到的图像和点云分别进行目标检测,具体研究内容可分为以下几个方面:第一,在交通场景中,利用深度学习的方法对二维图像中的汽车、行人和自行车进行检测,采用一种一阶段目标检测模型SSD,并对SSD中的主干网络进行改进,加深特征提取网络的深度,使得提取到的不同级别特征越丰富,提取的特征越抽象,越具有语义信息。通过构建全新的数据集对模型进行训练,把改进的模型和一些经典目标检测模型在PASCAL VOC12数据集中进行对比,并且对实际采集的交通场景图片进行检测。第二,基于深度学习的多目标点云检测,主要检测交通场景中的汽车、行人以及骑行者。本文提出了一种轻量级的无先验框检测模型,该模型是基于Point Pillars检测模型进行改进而来的,在检测头的部分更换了一种无先验框的检测方法,使得该模型实现了速度与检测精度之间的平衡,搭建ROS平台可视化检测结果。与原始的Point Pillars模型和经典的点云检测模型Voxel Net进行比较,在KITTI数据集和更具挑战性的nu Scenes数据集上进行评估。第三,由本文提出的激光雷达点云目标检测模型在检测到目标后,实现了一种基于几何的距离算法,可以计算出本车与检测目标的实时距离,并在ROS平台进行可视化。本文使用的二维图像多目标检测器在PASCAL VOC12数据集中的检测结果表明,其均值平均精度m AP为82.3%,检测速度为43.6fps,达到了较好的预期效果。而激光雷达检测结果表明,在KITTI数据集中,在主要的评价指标中等平均精度上,本文使用的方法分别比Point Pillars和Voxel Net高出5.36%和5.20%,并且取得了51Hz的检测速度,在nu Scenes数据集中的表现也达到预期效果。

关键词：交通场景目标检测深度学习二维图像激光雷达点云

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的雷达交通场景目标检测方法

基于深度学习的雷达交通场景目标检测方法

作者：张嘉豪电子科技大学

学位级别：硕士

雷达感知技术应用于城市道路场景,为城市智慧交通、自动驾驶和车路协同等场景提供全天时、全天候的道路感知信息。目标检测技术则是雷达感知技术的重要基础能力,其研究价值不言而喻。近些年来,随着城市化的不断发展,城市道路场景的复杂... 详细信息

雷达感知技术应用于城市道路场景,为城市智慧交通、自动驾驶和车路协同等场景提供全天时、全天候的道路感知信息。目标检测技术则是雷达感知技术的重要基础能力,其研究价值不言而喻。近些年来,随着城市化的不断发展,城市道路场景的复杂性与多样性日益增加,面对复杂城市交通场景,传统雷达目标检测方法存在精度低、速度慢、灵活性差等缺点,难以满足实际应用的需求。因此,发展适用于城市交通场景的雷达稳健、实时目标检测技术迫在眉睫。本文以提升雷达交通场景目标检测的稳健性与实时性为目标,主要研究了雷达交通场景目标检测方法,包括CFAR后聚类扩展目标检测算法、基于区域建议的深度学习目标检测算法和基于直接回归的深度学习目标检测算法等内容,具体研究内容如下:1)针对交通场景基站感知雷达目标检测问题,介绍了脉冲雷达回波信号处理方法与流程,阐述了基于R-D数据平面的恒虚警检测算法原理,提出了基于CFAR后聚类目标检测算法,解决了交通场景扩展目标的检测问题;在实测数据集下,验证了所提出算法的检测性能,分析了算法在检测精度上存在问题。2)针对雷达交通场景R-D图像存在的目标特征信息少、目标多为变尺度弱目标等问题,提出了基于注意力机制和金字塔特征融合改进的区域建议深度学习目标检测算法模型,提高了雷达交通场景目标检测的精度,并通过实测数据验证了所提出改进方法的检测精度。3)针对雷达交通场景实时目标检测问题,提出了基于注意力机制和解耦头无锚框检测模型的YOLOv3算法模型优化方法,实现了雷达交通场景实时、稳健的目标检测,并通过实测数据验证了改进后算法的检测精度与速度的提升。

关键词：目标检测深度学习交通场景雷达信号处理