【摘 要】
：
近年来汽车行业的发展给人们的生活带来了诸多便利,然而交通带来的隐患也不容小觑,如今对车辆安全性的研究已成为热门方向,为了提高驾驶员驾驶安全性,本文提出了基于深度学习和单目测距的车辆预警系统。预警系统的设计除了需要对预警策略进行科学制定,更需要以目标检测和测距结果作为数据基础,对目标数据的实时性、可靠性要求较高。在目标检测方面当前大部分检测算法难以满足在嵌入式端的速度和精度要求;在测距方面传统的单目
论文部分内容阅读
近年来汽车行业的发展给人们的生活带来了诸多便利,然而交通带来的隐患也不容小觑,如今对车辆安全性的研究已成为热门方向,为了提高驾驶员驾驶安全性,本文提出了基于深度学习和单目测距的车辆预警系统。预警系统的设计除了需要对预警策略进行科学制定,更需要以目标检测和测距结果作为数据基础,对目标数据的实时性、可靠性要求较高。在目标检测方面当前大部分检测算法难以满足在嵌入式端的速度和精度要求;在测距方面传统的单目测距易受到道路几何条件的约束,同时相机的标定误差和畸变等也会对测距结果产生重要影响。针对以上问题,本文在目标检测和测距方面进行了技术创新,主要工作如下:（1）针对Tiny-YOLOV3算法检测速度精度不高的问题,本文分别从压缩模型、加深特征提取模块的深度、增加特征融合模块、添加新设计的SPP模块对网络结构进行了重新搭建;同时进行了GT框与anchor框的匹配策略优化、损失函数改进以及NMS策略优化。实验表明:当删除阈值为0.34时,本文模型在道路数据集上可得到最优m AP:77.52%,超越Tiny-YOLOV3模型8个点。在Zynq7020平台运行速度达到了21.3FPS,比Tiny-YOLOV3速度提升3倍多,整体性能优于其它主流轻量级网络。（2）针对传统单目测距方法鲁棒性和准确性有限的问题,本文提出一种多任务类型的卷积神经网络测距模型。网络采用两个分支,分支1负责ROI目标框的回归,分支2负责距离回归,使用了五个残差块和两个全连接层,在网络的后半段再输入ROI的中心点坐标和宽高信息,并与上层卷积处理后的信息融合。通过对ROI区域直接进行目标级的距离回归,在50米以内的测距误差基本不超过1.4米,在ROI输入尺寸为128×128×3时测距速度、精度和稳定性均可满足实际要求,与传统单目测距方法相比有明显优势。（3）对预警系统进行整体设计,进行软件需求分析后设计软件的整体架构,设计了GRYOLO目标检测模块、单目测距模块和预警级别判断模块的软件实现过程,在三四章的目标检测和深度学习测距基础上将图像目标与毫米波雷达目标进行融合,从而结合预警策略进行科学的预警系统设计,选取Zynq7020作为系统实现平台,设计了前方碰撞分级预警硬件系统架构;最后对预警系统进行测试分析。
其他文献
近年来,随着信息通信技术的快速发展和信通网络的大规模部署,新兴网络应用大量涌现。信通网络各层协议和应用在正式部署于实际系统之前须经过严格的测试。因而,构建逼真度高、成本可控且灵活可扩展的测试网络对于网络研究具有重要意义。现代信通网络结构复杂、构建成本巨大,若所有测试网络均采用实际物理设备搭建,将耗费极大的人力和物力。为降低构建大规模测试网络的成本,提升测试网络灵活性和可扩展性,可采用虚拟节点构建测
随着语言模型建模能力的增强,使用机器生成流畅的句子或片段已经不再困难,然而当长度增加时,生成文本往往难以保持原有的高质量,开始出现严重的不一致和退化问题。究其根本原因,一是由于语言模型对自然文本的建模存在偏差,无法保证预测的概率分布总是符合上下文语境,导致生成的词语与前文不一致或不相关。二是解码算法没有对语言模型的偏差合理规避,使得不一致或不相关问题随长度增加而逐渐累积,最终偏离了原有质量。基于以
在获取数字图像时,图像被噪声污染是一个很难避免的问题。图像去噪是许多其他图像工作的基础,如图像分割,边缘提取,图像识别等,都需要首先经过图像去噪,去除干扰信息。图像去噪会很大程度上影响后续工作的效果,因此对图像进行去噪是非常必要的。近年来,因为深度学习的快速发展以及卷积神经网络（CNN）在图像识别等领域取得了很大的成功,人们开始尝试在图像去噪领域研究基于深度学习的方法。最近的研究中,在高斯白噪声领
随着日益复杂的电磁频谱环境带来的严峻的干扰问题,干扰处理技术越来越受到重视。机器学习作为当下的潮流之一,正带动着通信抗干扰技术向智能化方向发展。干扰识别是抗干扰的前提和基础,也是其关键技术之一。将机器学习算法应用到干扰识别技术中,可以使得干扰类型及其相关参数的识别更加准确高效。成功识别出干扰信号之后,利用链路自适应技术,根据不同的信道质量指标对发送功率、调制编码方案及信号波束方向等参数进行实时更改
随着网络技术的飞速发展,无处不在的移动设备和大量的新兴应用导致了移动数据流量的爆炸式增长。内容分发网络（Content Delivery Network,CDN）作为解决网络流量快速增长的重要手段,为了获得更低的延迟和更好的用户体验,不断将其缓存设备从中心网络下沉到边缘网络当中,我们称这样的内容分发网络叫做边缘缓存网络。新的场景带来新的问题,边缘缓存中,通常缓存设备搭载在基站上,这导致了缓存所能够
随着大数据时代的发展,各行各业都呈现出了数字化、信息化的趋势。由于医疗与民生的高度相关性,所以医疗大数据的发展也越发引人关注。然而医疗数据以其多种难以解决的特性往往会对信息化发展产生制约,这些特性包括不完整性、隐私性、多态性等。并且由于医疗数据是在实际的临床工作中获得的,病人往往会在得病之后才去就医,所以医院得到的各种病症的数据比例必然与对应病症的发病率相关,这会导致医疗数据出现不平衡的情况,从而
近些年实例分割任务越来越多的受到研究者们的关注与研究,但目前为止该任务依然没有达到令人满意的效果,其中大部分算法都无法达到实时性的要求,即使达到实时性的算法也很难具有较高的准确度。为了在工程中使用具有实时性的实例分割算法,本论文在YOLACT算法的基础上进行了相关改进,并在保证实时性的同时进一步提高算法准确度。然后在实例分割算法的基础上进一步研究了行人属性识别算法,并通过实例分割方法解决行人属性识
随着社会与网络的不断发展与进步,自然语言处理领域的各项技术如机器翻译、文本匹配与文本分类等也积极地应用在了现实生活中,并取得了良好的效果。互联网的发展,使自然语言处理领域逐步面对更加现实的数据:这些数据存在大量噪声;数据中的每个样本可能被多个子标签的组合所标记;数据中各种类别之间的样本数量不均衡。而当今社会的发展,正需求对网络文本与网络舆情的监管,那么能够处理这种不规则、复杂数据的方法是十分必要的
脉冲神经网络（Spiking Neural Networks）的发展是对类脑计算的进一步学习和发展。同传统神经网络机制相比较而言,脉冲神经网络会对生物神经元进行仿真,模仿生物神经元的结构,同时在编码方式上融入了时间信息。因此脉冲神经网络同时携带空间和时间信息,可以表达更丰富的概念。目前脉冲神经网络在图像识别,计算机视觉、语音处理等方面有了比较好的算法和简单应用。但是,由于脉冲神经网络的发展历史还比
网络流中包含网络会话中的全部信息,通过对网络流的分析,可以及时准确的获取当前网络运行状态以及发现网络攻击行为,且系统部署代价较低。目前基于网络流的攻击检测系统多是对流量的特征识别分类,没有充分利用网络流数据的层次性结构特征以及网络攻击事件的阶段性特征。为提高分析效率,有效发现APT类攻击事件行为特征,本文首先基于三层次流实体表示结构对网络流特征进行抽取;其次基于模式匹配与深度学习双引擎流量识别技术