目标识别与跟踪算法matlab_Matlab深度学习----自动驾驶中的移动目标识别与跟踪（含代码）...

资源下载与技术交流

本文所展示的自动驾驶中的移动目标提取与跟踪技术，全过程的代码以及相应的数据资源，详见下方链接。

1. 链接：https://pan.baidu.com/s/1Y_d5qb91bD-ZHXqRbBVN0g
2. 提取码：pv2x

相关联的，技术讨论，详见下方链接。

若谷：自动驾驶行业交流群及公约​zhuanlan.zhihu.com

本篇技术报告，以自动驾驶中的车辆识别为例说明。各个步骤的主要操作以及相关代码，配合描述。

整个项目的最新版 源代码和技术交流，请Email联系博主: 380545156[at]qq[dot]com.

文本简介

从影像中自动提取目标，并进行稳定跟踪，是自动驾驶感知系统的重要目标。本技术博文，介绍了基于卷积神经网络技术（CNN）的车辆图像目标识别的全过程，包括：

• l 数据准备与数据标注；
• l 数据训练与感知模型；
• l 仿真与测试；
• l 模型系统与部署；

主要收获

• 基于CNN卷积神经网络的深度学习，对图像进行目标识别的全过程；

主要参考本文的全体结构；

• CNN卷积神经网络的大多数工具、函数和命令。

主要参考本文所附带的代码，带有详细注释。

• CNN深度学习的工程技术开发效率

工程技术在乎方法的稳定可靠和使用效率。CNN深度学习开发的代码，也撰写了将近6000行，技术在累积，方法也在优化。详见第五部分。欢迎补充。

• 学习CNN深度学习方法的信心

尽管自认有比较好的数学和建模基础，但是没有出现合理的工程结果，都是很难服众的。

有了这几个神经网络应用案例，对于更大规模的CNN深度学习，有更强劲的信心。

任务目标

如图所示，从包含车辆的图片中，标识车辆的位置

▌一、数据准备与数据标注

Data Pre-processing for Deep Learning

数据标注的方法详见另外一篇博文。

在本案例中，同一个数据集，用60%的影像数据，用于训练，10%用于验证，剩余30%，用于测试。

%% R_CNN_withData

▌二、数据训练与感知模型

Design and Train a YOLOv2 Network in MATLAB

%% Create Faster R-CNN Detection Network

创建目标检测网络的几种方法

1. R-CNN
2. fast-RCNNLayers
3. faster-RCNNLayers
4. SSD (Single Shot MultiBox Defender)
5. labelImg
6. yolov2Layers YOLO (You Only Look Once)
7. yolov3Layers YOLO V3

本文采用的是ResNet-50 模型。

%% 使用 resnet50， 加载预训练的 ResNet-50 模型
featureExtractionNetwork = resnet50

% 选择 'activation_40_relu' 作为特征提取层，以将 'activation_40_relu' 后面的层替换为检测子网络。
% 此特征提取层输出以 16 为因子的下采样特征图。
% 该下采样量是空间分辨率和提取特征强度之间一个很好的折中，因为在网络更深层提取的特征能够对更强的图像特征进行编码，但以空间分辨率为代价。
% 选择最佳特征提取层需要依靠经验分析。
featureLayer = 'activation_40_relu'   % Select 'activation_40_relu' as the feature extraction layer. 
numClasses = width(vehicleDataset)-1  % Define the number of classes to detect. 

% 创建 fasterRCNN目标检测网络
lgraph = fasterRCNNLayers(inputSize,numClasses,anchorBoxes,featureExtractionNetwork,featureLayer)

其他几个NN模型，可以参考：

若谷：深度学习中的几种开源神经网络模型​zhuanlan.zhihu.com

▌三、仿真模型与测试

Import Pre-trained Deep Learning Networks into MATLAB

%% Data Augmentation

数据训练会根据统计的参数，决定是否进行下一轮的数据训练

▌四、模型系统运行部署与移植

运行过程中，因为要训练模型，非常耗时。当然，如果你的电脑非常好使，速度会快很多。

options 

五、提升工程技术开发效率

• 时间分配

由于深度学习的开发中，往往计算过程耗时较大，时间统计不可谓不重要；

因此，在开发过程中，设置一些时间统计，有助于分配开发调试中的工作安排；

%% Time comsuption

• 过程数据输出多，增加屏幕

过程数据较多，往往IDE无法显示过往的log数据。因此，将产生的log数据，实时记录并保存，有助于提升调试效率。

diary是matlab中的日志工具，可以将Command Window 中的内容保存到文件中去。使用方法：

在命令行中输出：

diary 

对应的的文件将会保存在path路径下的yourlogfile.txt文件里。

同时，可以使用：

diary off,diary on命令来关闭、打开日志。

%% Time comsuption and 数据日记