www�ele169�com | 27
实验研究
0 引言
阔的应用前景使其受到世界各国的强烈关注。人们对于无人驾驶的遐想早已在19世纪20年代便初现端倪，那时因为还不存在人工智能的概念，人们将无人驾驶的定义仅仅局限于用无线电对其进行操控。直到半个世纪过后，智能驾驶逻辑算法的问世方才突破此领域中的瓶颈，从而对实现无人驾驶迈出关键性的一步。无人驾驶最受争议的部分就是安全问题，而安全问题大部分基于对路况和突发情况的判断，这时让汽车拥有独立的“思想”就尤为重要，其中目标检测算法更为关键，只有拥有了成熟的目标检测算法才可以让无人驾驶这一技术达到更安全的保障[1]。而深度学习技术则推动了 目标检测算法的不断进步，使无人驾驶技术在商用领域取得了重大进展和突破。
1 目标检测技术
目标检测属于计算机视觉中的一个子问题。目标检测技
术主要目的是出图像中感兴趣的物体，包含物体的定位和分类两大任务，即同时确定物体的类别和物体的位置。因 此目标检测任务可分为两个子任务：目标分类和目标定位。目标分类任务负责判断输入图像或所选择图像区域中是否有感兴趣类别的物体出现，输出一系列带分数的标签表明感
兴趣类别的物体出现在输入图像或所选择图像区域中的可能性[2]。目标定位任务负责确定输入图像或所选择图像区域中感兴趣类别的物体的位置和范围，输出物体的包围框、或物体中心、或物体的闭合边界等，通常使用方形包围盒，即Bounding Box 用来表示物体的位置信息。目标检测示意图如图1所示。 ■1.1 目标分类任务
图像分类主要采用统计机器学习中的有监督学习方法，
通过主动的喂给计算机关于某些特定标签的数据，并建立模
型、策略、算法的统计机器学习三要素[3]，实现对物体的识
别过程。经典的二分类方法主要使用Logistic Regression
进行图像分类，其算法流程如下：
图 1 目标检测示意图
首先需要将图像数据进行预处理，图像在计算机中以三
四川卫视真情人生原的方式存储，通过数据的拼接将单一图片由[p_x,p_y,3]转变为[p_x*p_y*3,1]的一维向量。同时为每一个训练数据指定其标签，即物品的分类结果。
其次，在机器学习领域中，逻辑斯蒂回归（Logistic
Regression）可以用来实现分类操作，它可以看做一个没有隐藏层的简单神经网络。通过建立线性部分T W X b +，其中W 为各节点的权重、b 为偏置，并对线性部分的计算结果添加非线性的激活函数Sigmoid，从而实现对数据的
更高维度的拟合，比如二次项等。最终建立的预测模型为[4]:
()
()
1ˆ 1 T T W X b y W X b e
σ−+=+=+随后，在建立了模型的基础上，指定模型拟合评价的策略即损失函数，该部分用来衡量参数W 和b 对模型拟合的效果。
最后，制定优化损失函数的算法，较为常用的方法是梯
度下降法。通过不断更新参数，从而实现模型的最优化，最
终得到参数W 和b。
图 2 逻辑回归算法示意
目标检测算法及其在无人驾驶领域应用研究
张舒瑞
（江苏省新海高级中学，江苏连云港，222000）
摘要：无人驾驶技术是通过车载传感器感知周围环境，并根据所感知到的道路、车辆、位置信息，控制车辆转向和速度，从而使车辆可以安全可靠的行驶。在无人驾驶领域，特斯拉、谷歌等公司已经有所突破。其中目标检测是车辆进行感知的重要环节，是发现并识别物体的过程，主要基于对于人工智能领域中计算机视觉及深度学习的研究，编写无人驾驶过程中所必须的物体识别代码。特别是随着深度学习方法的应用，目标检测的精度得以大幅提高并获得了广泛应用。本文通过对特征提取、目标检测、目标分类技术进行阐述，并对卷积、深度学习方法进行研究，探讨了目标检测在无人驾驶感知领域的进展和应用。关键词：深度学习；卷积神经网络；无人驾驶
28 | 电子制作 2021年02月
图 3 图片分类示意图
1.2 目标定位任务
目标定位即准确的输出目标所在的位置，二维的物体可
人事管理系统设计以使用输出目标的所在区域的（x,y）方框来实现。目标定位任务所要预测的结果是一个连续的点，因此可将其看作一
个典型的回归任务。
图 4 目标定位坐标
将其看做回归问题，我们需要预测出（x,y,w,h）四个参数的值，从而得出方框的位置。
基于传统的机器学习算法进行分类和回归问题时，当图
片输入维度较大时，会导致参数数量的剧增，尤其是传统算法普遍使用全连接的方法，只能使用较浅的层次进行学习。在此基础上，逐渐发展而来的卷积神经网络、反向传播等算法降低了参数量和参数计算的复杂度，从而实现了更深层次的模型，从而可以模拟更复杂的模型，实现更高的精度。
2 深度学习与卷积神经网络
■2.1 深度学习的概念深度学习是机器学习的子集，主要使用人工神经网络来妥善解决计算机网络视觉效果、自然语言处理、自动语音辨识等等关键问题。
深度学习器由若干处理层组成，每层包含至少一个处理
单元，每层输出为数据的一种表征，且表征层次随处理层次增加而提高。深度的定义是相对的。针对某具体场景和学习任务，若学习器的处理单元总数和层数分别为M 和N，学习器所保留的信息量或任务性能超过任意层数小于N 且单
元总数为M 的学习器，则该类学习装置为严格的或是狭义数来识别图像。CNN 的灵感来自视觉皮层。
每当我们看到某些东西时，一系列神经元被激活，每一层都会检测到一组特征，如线条，边缘。高层次的层将检测更复杂的特征，以便识别我们所看到的内容。
深度学习CNN 模型进行训练和测试，每个输入图像将
通过一系列带有卷积核，Pooling，全连接层（FC）的卷积层并通过Softmax 函数对目标的概率值的对象进行分类。
卷积神经网络分为多层结构：
（1）输入层（即训练数据）：输入图层或输入体积是广东省环保局
红场事件
具有以下尺寸的图像：[宽x 高x 深
]。它是像素值的矩阵。
图5 RGB 矩阵
（2）卷积层：卷积是从输入图像中提取特征的第一层，
Conv 层的目标是提取输入数据的特征。卷积通过使用小方块输入数据学习图像特征来保持像素之间的关系。
图6 卷积
（3）Stride：Stride 是输入矩阵上的像素移位数。 当
www�ele169�com | 29
实验研究
步幅为1时，我们将滤波器移动到1个像素。 当步幅为2时，我们一次将滤镜移动到2个像素，以此类推。
（4）Padding(填充)：有时卷
积的滑动幅度不一定适合输入图像。 我们有两种选择：用零填充图片（零
填充）以使其适合；删除滤镜不适合的图像部分。
图 7 步幅
（5）激活函数(ReLu)：ReLU 代表整流线性单元，用
于非线性操作。输出是ƒ(x)=max(0,x)ReLU 的目的是在我们的卷积操作中引入非线性。 因为，现实世界的真实模型往往是复杂的非线性模型。还可以使用其他非线性函数，例如tanh 或sigmoid 代
替ReLU。大多数数据科学家使用ReLU，因为ReLU 的性能明显比其他两个更好。
（6）池化层：池化层部分将减少图像太大时的参数数
量。空间池化也称为子采样或下采样，它降低了每个图片映射的维度，但保留了重要信息。空间池化可以是不同类型的：
最大池化；平均池化；总和池化。
图 8 空间池化
（7）全连接层：我们称之为FC 层，我们将矩阵展平
为矢量并将其馈入神经网络的全连接层。
图 9 全连接
在图9中，特征映射矩阵将被转换为矢量（x1，x2，
x3，...）。通过全连接层，我们将这些功能组合在一起以创建模型。最后我们通过一个激活功能，如softmax 或sigmoid，将输出分类为猫，狗，汽车，卡车等。
图10就是通过卷积神经网络进行图像分类的过程。
上述神经网络的尾部展开，也就说CNN 前面保持不变，
对CNN 的结尾处作出改进：加了两个头：“分类头”和“回
归头”，这样就能实现一个主干网络进行多目标学习，即
classification + regression 模式。
图 11 目标分类 + 位置检测
3 数据准备与模型训练
本论文采用PASCAL VOC 数据集，共使用20类目标分
类，包含person、car、bicycle、bus
等关键目标，样例
福建财会管理干部学院
数据如图12所示。
图 12 voc 数据样例
标签文件采用xml 格式的标注文件，数据标注样例如图13所示。
本文主要采用YoloV3算法，YOLOv3算法的主体结构
是一个庞大的卷积神经网络[5]，YOLOv3原理图如图14
所
示。YOLOv3网络的输入层接收416×416的输入图像，网
图 10 图片分类
30 | 电子制作 2021年02月
络中有代码体现出来的网络层次共计252层（统计包括用于构建res_block 块的add 层）。从第0层到75层被统称为darknet-53的部分共含有53层卷积层以及23层残
差层。这一部分网络结构不是对darknet-19的简单加深，而是引入了残差网络的跳层连接思想[6]，从76到105层是YOLOv3的特征交互和输出层，这一部分舍弃了全连接层转而通过连续的1×1和3×3卷积核实现局部特征交互，作用类似于全连接层，但全连接层实现的是全部像素的全局特
征交互。
图14 YOLOv3原理图
神经网络训练部分程序如图15所示。
神经网络训练完成后，在测试集上对算法的性能进行测
试，并最终对网络实时视频检测性能进行测试。采取的思路是先捕获实时视频流，从中依次截取出每一帧图像，再调用训练好的YOLOv3网络的单张图像检测的函数对每帧图像
检测目标。单张图像检测部分程序如图16所示。
图15 模型训练部分程序
图16 图片检测验证代码截图
4 应用领域及展望
随着图像分类精度在某些领域达到了超越人类的水平，
其应用价值也得到了广泛的认可从而应用在诸多领域。无人驾驶汽车在行驶过程中需要对周围的物体进行精确的识别，从而区分哪些是障碍物、哪些是行人，同时需要对行车指示牌等进行精确的划分，从而为驾驶决策提供支持。可以预见，高精度的图像分类技术将广泛应用在无人驾驶领域中。总之，通过将深度学习算法运用于无人驾驶中的目标检测算法，将会大大提升目标检测精度及进一步加速无人驾驶技术
的成熟。并结合其他传感技术，增强无人驾驶汽车的感知能力，这也就大大增加了无人驾驶汽车的安全性能，只有这样才能够推动无人驾驶技术的尽快落地运行。
本文通过对目标检测算法的阐述，并运用传统机器学习
算法和深度学习方法进行训练和验证，对目标检测算法进行了原理和实际验证。在训练过程中，存在着数据归一化、过拟合等问题，后续将对参数初始化、正则化等有助于提高训
练速度、防止过拟合的问题展开研究，从而实现更好的对图像数据进行分类。
参考文献
＊ [1]王科俊，赵彦东，邢向磊.深度学习在无人驾驶汽车领域应
图13 voc 数据标注样例
（下转第58页）
58 | 电子制作 2021年02月
图9 聊天机器人JavaScript 消息创建部分
有了Html、CSS 以及JavaScript 的配合，一个完整的
聊天机器人就可以开始使用了，通过Vue 框架的运行命令即可在本地运行并查看效果。 ■1.3 部署服务
本地服务可以成功地运行并查看程序效果，但这只能笔
者自己使用，不能分享出去让别人也享受聊天机器人服务，因此笔者还将服务部署到了互联网上。因为本服务是纯静态网站，所以可以方便地部署在阿里云虚拟主机上。首先将本地的服务打包，使用Vue 的build 命令，即可通过内建的
Webpack 工具将编辑好的Vue
项目打包为典型的Html 静
态页面，打包后的效果如图10所示。
图10 聊天机器人本地打包结果
打包之后，通过FileZilla 将文件上传到阿里云虚拟主机。
等待几分钟，当阿里云刷新了服务之后，就可以通过云虚拟主机绑定的域名加上指定的子目录来访问服务了，访问链接是thuer/chat-bot/。
至此笔者就完成了全部的开发工作。
2 总结
■2.1 全文总结
本文以现实中的无法被满足作为出发点，总结了自己制
抠像■2.2 未来展望
由于对知识的了解不足，导致在很多方面上，都有所欠缺，尤其在知识运用上和代码书写上。呈现出来的机器人还不够“智能”。在其语言表达的过程中，由于使用的是网络
上的API，所以对训练机器人的工作不是很了解，导致仍然有许多生硬的语句。整体的网页呈现效果也不够美观，语音
系统需要对接转换器，这些都是笔者在后续需要加强的内容。
参考文献
＊ [1] 麦冬，陈涛，梁宗湾.轻量级响应式框架Vue.js 应用分析[J].
信息与电脑(理论版),2017(07):58-59.
＊ [2] 朱二华.基于Vue.js 的Web 前端应用研究[J].科技与创新,2017(20):119-121.
＊ [3] 姚飞，张成昱，陈武.清华智能聊天机器人“小图”的移动应用[J].现代图书情报技术,2014(Z1):120-126.＊ [4] 曹东岩. 基于强化学习的开放领域聊天机器人对话生成算法[D].哈尔滨工业大学,2017.
＊ [5] 戴开宇，张申生，王淼.分布式虚拟环境中的聊天机器人的研究[J].计算机工程与应用,2002(07):13-16.＊ [6] 宁长英. 智能聊天机器人的关键技术研究[D].杭州电子科技大学,2011.
用的研究进展[J]. 智能系统学报， 2018(13):55-68.
＊ [2]张桂林，赵宇飞，黎华玲. “无人驾驶”如何驶进现实[J]. 瞭望，2016(19): 20–21.
＊ [3]Kaiming He，Xiangyu Zhang，Shaoqing Ren，Jian Sun，Delving Deep into Rectifiers: Surpassing Human-Level Perform
ance on ImageNet Classification. 2015.＊ [4]李航. 统计学习方法[M]. 清华大学出版社 2012: p6-p8.＊ [5]文浩彬，张国辉 基于YOLO 的驾驶视频目标检测方法[J]. 汽车科技 2018(08):73-76.＊ [6]阮激扬. 基于YOLO 的目标检测算法设计与实现[M].北京邮
电大学,2019.
（上接第30页）
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议