基于深度学习的智能车自主导航系统研究

发布时间：2023-03-20 05:50

　　针对智能车辆核心功能中的视觉感知存在识别准确度低、实时性差、导航系统功能单一以及抗干扰能力不足等问题,提出了一种改进的孪生神经网络目标识别算法,解决了传统图像处理算法误差大、识别率低等问题。改进U-Net网络的遥感图像路径分割算法,优化了全局道路信息的识别能力,为自主导航、路径规划及控制提供了先验信息,丰富了导航系统功能及其可靠性。最后,搭建嵌入式小车实验平台对开发的算法进行验证。本文主要研究内容和结果如下:(1)分析和综述了国内外智能车辆及其目标识别跟踪、智能导航等相关技术的研究现状和发展趋势,介绍了本文主要研究内容及目标。(2)针对智能车的视频目标识别与导航控制功能,对比研究了相关的深度学习网络,对用于目标跟踪的堆叠自编码器、卷积神经网络、孪生神经网络以及用于道路提取的全卷积网络、反卷积网络、U-Net网络的不同特性进行讨论,结合应用环境对算法进行了比较分析。(3)引入通道加权和边框回归策略,改进了基于孪生神经网络的目标识别跟踪模型,克服了阴影、光照及背景频繁变化造成目标丢失的问题。通过标准数据集训练和跟踪实验,计算得到本文改进后的平均IoU(Intersection over U...

【文章页数】：82 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 引言
    1.2 课题背景及意义
    1.3 国内外研究现状
        1.3.1 智能车辆研究现状
        1.3.2 目标识别、跟踪技术研究现状
        1.3.3 导航技术研究现状
    1.4 本文主要工作
        1.4.1 研究目标
        1.4.2 主要研究内容与关键技术问题
        1.4.3 文章总体安排
    1.5 本章小结
第2章 神经网络算法研究
    2.1 深度学习相关知识
    2.2 基于深度学习的目标跟踪模型
        2.2.1 堆叠自编码器
        2.2.2 卷积神经网络原理
        2.2.3 孪生神经网络原理
    2.3 基于深度学习的路径提取模型
        2.3.1 全卷积网络
        2.3.2 反卷积网络
        2.3.3 U-Net网络
    2.4 本章小结
第3章 基于改进的孪生神经网络的目标跟踪
    3.1 目标跟踪算法
    3.2 针对Siamese-FC网络的改进
        3.2.1 加权特征通道
        3.2.2 边框回归
    3.3测试实验
        3.3.1 数据集
        3.3.2 实验平台与环境
    3.4 实验结果及分析
    3.5 本章小结
第4章 基于改进U-Net网络的遥感图像道路提取
    4.1 全局路径信息获取的意义
    4.2 遥感图像预处理
        4.2.1 灰度梯度直方图自适应均衡化
        4.2.2 实验结果
        4.2.3 结果分析
    4.3 改进U-Net网络
    4.4 路径分割实验
        4.4.1 数据集
        4.4.2 实验平台与环境
        4.4.3 训练与测试
    4.5 实验结果分析
    4.6 本章小结
第5章 跟踪实验与自主导航
    5.1 系统总体设计
        5.1.1 系统硬件设计
        5.1.2 系统软件设计
    5.2 动力学分析及导航信息提取
        5.2.1 小车运动分析
        5.2.2 目标定位
    5.3 目标跟踪与自主导航实验结果分析
        5.3.1 嵌入式系统的识别测试实验
        5.3.2 目标跟踪与自主导航实验
        5.3.3 实验结果及分析
    5.4 本章小结
总结与展望
    总结
    展望
参考文献
致谢



本文编号：3766817