基于卷积神经网络的前方车辆检测与识别研究开题报告

全文总字数：2825字

1. 研究目的与意义（文献综述）

随着当今社会的飞速发展，计算机技术和人工智能也在不断进步着，很多领域都能看到人工智能相关应用。比如智能家居设备，人脸识别系统，虚拟个人助理，无人驾驶等，这些也是极大方便了我们个人生活和工作。人工智能技术也在人们不断探索中逐渐成熟发展。人工智能可以处理一些复杂的难题和人们无法处理的事情。比如解决数据量很大的问题，对于一些紧急情况提前发现。

现在汽车作为很常见的交通工具，大多数人们都会选择汽车出行，这也就导致道路上汽车数量增多，或者出现天气恶劣导致道路能见度较低。这也就造成在驾驶过程中出现安全隐患的几率增大，人们在驾驶时可能对于车辆躲闪不及没有充足的反应时间导致引发交通事故。如果运用图像检测与识别可能就对于这种情况有很大的改善。可以通过图像及时发现前面车辆，增加反应时间，减少事故发生的概率。

机器学习作为人工智能的实现方法，深度学习是机器学习的一种技术。深度学习是模拟人脑分析学习，输入相关特征通过一系列隐藏单元得到输出结果。深度学习被应用到语音识别、图像处理、自然语言等领域中。在国际知名的图像处理竞赛中如imagenet等，参赛者应用深度学习进行处理都取得很好的成绩。深度学习也成为人工智能中的热门，极大的推动了神经网络的发展。卷积神经网络作为深度学习的一种算法，在图像处理方面表现突出。比如人脸识别，物体识别等，人们通过卷积神经网络进行图像神经风格迁移，来创造不同的艺术形式。

2. 研究的基本内容与方案

首先要对含有前方车辆的图像进行相关处理，为了验证最后输出图像结果是否正确。由于天气，光照等原因可能导致图片中像素均值不同，这也会对图像的识别造成影响，为了输出结果更为精确，所以要对不同光照情况进行分类。不同光照的图片像素值存在差异，可以通过设定两个临界值来区分强光，正常光照和弱光。除此之外路面灰度分布不均匀也会对车底阴影分析造成影响，所以要采取图像分割的方式来减少影响，比如采用边缘提取，腐蚀，膨胀等图像处理运算。 然后再进行车底阴影分割。图像分割时不同光照情况选择的分割阈值，保证得到车辆区域，减少非车辆区域及阴影的干扰。

将原始含有多辆汽车的图像建立图像样本库，首先要对样本进行裁剪，对图像样本标记等，将样本分为训练集、验证集。搭建卷积神经网络，确定卷积神经网络深度，确定卷积层、池化层尺寸。选取合适的激活函数。设定适当的参数，超参数。输入训练样本对训练网络通过反向传播将一些参数适当调整，使成本函数J(，b)尽可能小，反向传播是用梯度下降法得到最优和b。可以提高让神经网络性能。最后输入验证样本来验证卷积神经网络性能。

3. 研究计划与安排

第1-3周：搜集相关中、英文文献及资料，确定研究方法及方案，撰写开题报告和翻译外文文献；

第4-5周：论文开题，学习卷积神经网络理论知识，了解卷积神经网络搭建；

第6-12周：搭建卷积神经网络，编写相关代码，训练卷积神经网络，撰写论文初稿；

4. 参考文献（12篇以上）

[1] 李航. 统计学习方法[m]. 北京：清华大学出版社，2019:91-108.

[2] 蔡婉雪. 基于卷积神经网络的高速车辆检测的研究[d]. 南京：南京邮电大学,2018.

[3] 杨恩泽. 基于深度学习的交通车辆检测与识别算法研究[d]. 北京：北京交通大学,2019.