基于深度学习的车道线和车辆检测

发布时间：2022-01-16 09:05

　　随着智能时代的发展,自动驾驶技术近期引起了人们的广泛关注,其中,行车环境的车道线和车辆检测是自动驾驶的重要基础任务。由于实际行车环境复杂多变,基于传统统计学习方法的车道线和车辆检测方法已无法满足新时期自动驾驶的需求,研究高性能的车道线和车辆检测算法成为迫切且极具挑战的任务。近期,基于信号深度处理的卷积神经网络被验证是一种能够有效刻画区域语义映射的学习方法,为车辆和车道线检测提供了新的途径。为此,本文立足深度学习理论,开展了基于深度学习的车辆和车道线检测研究,具体内容如下:开展了基于卷积神经网络的目标检测网络的研究。建立了车辆训练数据集,构建了针对车辆目标的深度检测网络,并学习生成了车辆检测初始模型。进一步在不同难度和尺度等级上进行了各类型网络性能的测试,证明了深度检测模型相较于传统统计学习方法的有效性,为后续的网络设计提供了基准。针对车辆检测模型中中小尺度车辆目标检测的难题,基于目标多尺度分析策略,首先统计分析了经典数据库如KITTI和PASCAL VOC数据集中的目标尺度分布特征。进一步利用分布特征优化了建议框生成网络,引入了多尺度卷积核及残差网络结构,构建了基于卷积神经网络的车辆检... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：88 页

【学位级别】：硕士

【部分图文】：

自动驾驶环境感知与高层语义分析平台框架

造可以编程的计算机时，就在考虑是否能让工智能已经展开了如火如荼的研究，成为了有着众多应用的领域。人们希望能够通过人获取并理解图像或语音信号、协助医学上的诊工智能中的重要技术之一。深度学习是一门复合型学科。研究深度学习技术可以帮助我络来完成车道线和车辆的检测任务。络设计网络模型生物神经网络可以认为是简单的神经元构成单的神经元如下图所示：

图 2-2 单层神经网络示意图网络输入的是1 2 3x , x ,x ，而其中被标注为“+1所提到的截距项。对于整个神经网络而言，处而处于最左侧的一层被称为“输入层”，此例该层中存在多个节点。而在“输入层”和“输藏层”。神经网络，其由三个输入节点，三个隐藏节点网络的计算，规定一些参数，ln表示网络层数层为1L，lnL 表示输出层。表示为 1 1 2 2 (W , b) (W , b , W , b )，用 l ijW 表示 j个节点之间的权重系数，b表示第 层的第节点数（不包含偏置节点）。由此可知，各个1 3 。第 层的第 个单元的输出值用 l a 表示

【参考文献】：
期刊论文
[1]基于卷积神经网络的目标检测研究综述[J]. 李旭冬,叶茂,李涛.  计算机应用研究. 2017(10)
[2]人工智能综述[J]. 李玉环.  科技创新导报. 2016(16)
[3]AdaBoost算法研究进展与展望[J]. 曹莹,苗启广,刘家辰,高琳.  自动化学报. 2013(06)
[4]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正.  计算机应用研究. 2012(08)
[5]基于超像素的条件随机场图像分类[J]. 张微,汪西莉.  计算机应用. 2012(05)
[6]Hough变换和最小二乘拟合的车道线协调检测[J]. 孙伟,张小瑞,唐慧强,张为公,闾军.  光电工程. 2011(10)



本文编号：3592351