基于深度学习的汽车目标检测开题报告

全文总字数：1231字

1. 研究目的与意义

近年来，随着我国社会生产力的发展，汽车逐渐代替自行车成为了人们日常出行的主要代步工具，智能驾驶也逐渐进入到人们的视野，智能驾驶不仅可以解放人们的双手，精确的路况识别和车辆控制系统可以有效地防止不文明驾驶和交通事故的发生。

人工智能技术也在发展中逐步完善，鉴于人工智能的快速发展，以及深度学习不断取得进步，深度学习己经广泛应用于计算机视觉，模式识别领域，数据挖掘等等。

汽车目标识别系统也是人工智能的又一种应用，计一套高效、准确的系统无疑是对智能驾驶及车辆监控系统非常有意义的。

2. 国内外研究现状分析

目标识别算法主要分两类。第一类是传统的基于人为特征提取和分类器的结合，这种方法实际上还是需要大量人工的参与特征设计以及提取，人为决定要提取的特征，然后通过分类器或浅层神经网络进行分类。主要提取的特征类型有: 局部二值模式（LBP）、梯度方向直方图（HOG）、Gabor等。然后将这些特征以特征向量的形式输入到一个传统的分类器比如 SVM、Ada Boost、决策树等进行分类。这种方法的关键是特征和分类器的选择，这两方面耗费了研究人员的大量精力，但是这种方法一定的局限性，对图像质量要求较高，鲁棒性较差。

第二类是近几年出现的基于卷积神经网络的目标识别算法，代表算法有 Mask Ｒ-CNN、YOLO SSD等。与传统的目标识别算法相比，基于深度学习的目标识别具有以下优点：①不需要人为地提取特征器通过自己的学习可以从图像中提取特征，比人为设定特征的特征更加有效。②可以识别的信息更多，例如目标在图像中的位置信息。这种方法在精确度和速度上比传统的方法要高，并且具有较高的鲁棒性。

3. 研究的基本内容与计划

研究内容 及计划

研究内容： （1）汽车周围图像的获取及标注。 （2）汽车周围目标的预处理：对图像进行灰度变换、直方图均衡化、归一化、滤波等处理，减少光照等因素影响，提高目标识别准确率。 （3）分类器设计：基于预处理后的带标注道路图像，采用深度学习训练一个卷积神经网络分类器。分离出道路，路障，交通灯。 （4）分类决策：用设计好的分类器对预处理后的图像进行分类，给出识别结果。 研究计划： 1~3周 前期知识储备，查阅相关资料，完成开题报告和文献综述。 4~5周 分析论证并提出初步设计方案，选择器件类型。 6~8周 完成硬件设计。 9~11周 软件编程，仿真调试。 11~12周 系统调试，完善修改。 13~15周 撰写毕业论文。 16周 毕业设计答辩。

4. 研究创新点

此次课题利用近几年出现的基于卷积神经网络的目标识别算法，用 mask Ｒ-cnn或yolo ssd进行图像处理的搭建。

与传统的目标识别算法相比，基于深度学习的目标识别不需要人为地提取特征器通过自己的学习可以从图像中提取特征，比人为设定特征的特征更加有效，可以识别的信息更多。

该研究对为汽车的路况识别环节提供了可行的解决方案，使智能驾驶成为可能。