基于Anchor-free目标检测算法的智能车防撞系统设计
1.文献综述
1.1引言
随着我国社会经济的迅速发展，机动车数量急剧增加，道路交通情况变得越来越复杂，交通事故的发生也越来越多。为了减少交通事故的发生，保障人民群众的生命财产安全，环境感知技术以及汽车自动驾驶技术应运而生。目标检测是实现汽车自动驾驶的重要研究内容，实现目标检测的视觉传感器能够为行驶中的车辆提供丰富的环境信息。在众多目标检测模型中，基于Anchor-free的目标检测算法是利用深度学习实现目标检测的重要领域，该算法无需候选框，在网络训练的过程中直接学习目标类别和位置，不以任何预定义的先验框作为参考，能够改善锚框带来的各种问题，进行更快、更精细的检测。
本文采用基于Anchor-free目标检测算法，设计了一种基于深度学习的智能车防撞系统。利用机器视觉使得车辆在行驶过程中能够对障碍物进行准确识别，再计算测量出与检测目标的距离，当车辆与检测目标距离过小时发出警告，以实现防撞的目的。
1.2国内外研究现状
在智能交通领域中汽车的防撞系统和使用深度学习的方法进行目标检测已成为研究热点，国内外学者对其进行了许多研究，并取得了重大的进展。
1.2.1基于深度学习的目标检测算法的研究
目标跟踪作为计算机视觉的基础工作之一, 近几十年来一直作为一个热门研究方向, 被广泛运用在视觉监控、人机交互、安防检测、自动驾驶和军事侦查等领域中。当前，基于深度学习[1][2]的目标检测算法主要可分为两大类。一类是二阶段目标检测算法，此类算法在第１阶段通过区域建议网络RPN生成候选区域RP，第２阶段在RP内完成图像特征提取，并利用提取到的特征对候选区域进行分类和定位。例如Ross Girshick等提出的，利用选择性搜索算法获取图像的候选区域RP，然后使用卷积神经网络对所有RP进行特征提取，最后使用支持向量机SVM对RP进行分类和定位。该算法可以将神经网络应用在自底向上的候选区域，这样就可以进行目标分类和目标定位。在R-CNN的基础上，Ross Girshick提出，其针对R-CNN中存在的重复卷积计算问题进行了改进，首先将整幅图像输入到卷积神经网络中进行特征提取，然后通过感兴趣区域池化层对获取到的RP进行尺寸处理。此外还使用整幅图像作为卷积网络的输入，减少了大量的重复计算，降低了计算量，但其依旧采用SS算法提取候选区域，所以整个网络的训练还没有实现端到端处理。提出使用区域建议网络RPN的方法，将生成候选框的过程也加入到目标检测网络中来，整个目标检测网络实现了端到端的训练，大幅提高网络的检测速度。FasterR-CNN还提出了anchor的概念，作为预测的候选框。但锚点框相关超参会较明显的影响最终预测效果，并且预置的锚点大小、比例在检测差异较大物体时不够灵活，大量的锚点会导致运算复杂度增大，产生的参数较多，运行速度慢。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
