论文部分内容阅读
在汽车驾驶的过程中,由于驾驶员的疏忽常常导致许多交通标志牌未被发现,以及驾驶人员注意力不集中不能及时发现车前方的车辆和行人导致违章和事故。在交通驾驶中,道路环境复杂,一种能够检测到重要交通信息并提醒驾驶人员的驾驶辅助系统可以有效地减少违章与事故的发生,提供了安全驾驶的解决方案。实时检测车辆、行人与交通标志牌实际上就是一个实时的目标检测任务。随着计算机硬件设备性能的飞速提升,深度学习及目标检测技术的不断发展,可以在保证高准确率的情况下实现高速率的目标检测,达到实时目标检测效果。近些年基于深度学习的目标检测技术高速发展,不同的目标检测模型被不断提出,一些最新的目标检测技术可以既保证较高的检测准确度又保证较高的检测速度。而且,现在的移动设备的性能极高可以满足深度学习运算要求,使Android平台运行目标检测成为可能。本研究基于TensorFlow机器学习平台开发和改进基于深度学习目标检测模型,实现在Android移动平台对车辆、行人与交通标志牌实时检测。在本研究中,基于TensorFlow平台,以SSD(Single Shot MultiBox Detector)目标检测模型为基础,结合其它技术改进并创建SSD模型,采集样本图片创建训练数据集并训练模型,编译在移动平台调用TensorFlow模型的动态运行库,设计开发Android程序,使用摄像头不断地捕捉车辆前方图像,调用训练好的模型检测图像并显示和播报检测结果。在实验项目中,根据目标任务特征,使用不同的方案改进目标检测模型,以提高检测的准确度和运行速度。在研究中,对SSD模型做出了如下几点改进:使用MobileNetV2深度神经网络作为SSD模型的基础网络;使用K-Means聚类算法设定SSD中的default box;使用特征重排下采样和反卷积上采样,通道融合产生新的feature map结构。实验测试结果表明:对SSD模型的改进提高了检测的准确度,设计和实现系统达到了预期效果,运行在Android平台的程序可以实时检测出车辆与交通标志牌等物体。项目的成果在辅助驾驶方面是具有使用性的,并且对其它目标检测技术是具有参考意义的。