面向自动驾驶防撞预警的物体识别和定位

发布时间：2023-06-01 23:59

　　近年来,随着人工智能的兴起,自动驾驶技术越来越受到人们的关注,其中计算机视觉是关键技术之一。自动驾驶场景中汽车对周围障碍物的检测有着极高的要求,为了让自动驾驶系统能够识别物体类别、判断物体形状、测量物体距离,本文提出了一种基于Mask R-CNN和双目视觉的物体识别和定位方法,使用双目图像对物体进行准确的定位,再使用双目图像中的任意一张图像进行物体种类的识别,这两种方法可以在GPU下并行计算,达到了很高的精度与准实时性的要求。目前物体识别系统通常使用特征金字塔(如FPN)来学习多尺度表示以获得更好的结果,然而,当前的特征金字塔设计仍然无法有效地整合不同尺度的语义信息。本文对当前的特征金字塔提出了一种新的配置架构(NFPN),以高度非线性和高效的方式将低级表示与高级语义特征相结合,采用全局扫描来强调完整图像的全局信息,然后进行区域重新配置以在感兴趣区域内对局部补丁进行建模,该网络能够跨越不同的空间位置和规模,能较好地识别不同大小的物体类别。在AP和AP^bb中的实验结果分别为38.2和39.1。一种领先的立体匹配算法(如VariableCross法)采用固定颜色阈值及...

【文章页数】：81 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景和意义
    1.2 自动驾驶的发展概述
        1.2.1 国外发展情况
        1.2.2 国内发展情况
    1.3 自动驾驶物体识别技术
        1.3.1 基于区域提议(region proposal)的深度学习物体识别算法(two-stage)
        1.3.2 基于回归方法的深度学习目标识别算法(one-stage)
    1.4 自动驾驶物体定位技术
        1.4.1 立体匹配算法的分类
            1.4.1.1 全局立体匹配算法
            1.4.1.2 局部立体匹配算法
            1.4.1.3 半全局立体匹配算法
    1.5 主要研究内容
    1.6 本文结构安排
第二章 基于Mask R-CNN的物体识别算法
    2.1 神经网络的结构和原理
    2.2 基于NFPN的 Mask R-CNN算法
        2.2.1 FPN的改进方法
        2.2.2 Mask R-CNN算法框架
        2.2.3 Mask R-CNN物体识别方法
            2.2.3.1 特征图生成网络NFPN
            2.2.3.2 ROI生成网络RPN
            2.2.3.3 分类、回归和mask的 MRCNN
    2.3 本章小结
第三章 基于双目视觉的物体定位算法
    3.1 立体匹配的原理
    3.2 基于双自适应支持窗口的立体匹配算法
        3.2.1 立体匹配算法框架
        3.2.2 立体匹配方法
            3.2.2.1 归一化的AD与 CT代价
            3.2.2.2 双自适应支持窗口的代价聚合
            3.2.2.3 多向扫描线优化
            3.2.2.4 视差精细化
    3.3 定位方法
    3.4 本章小结
第四章 解决方案和真实场景中的实验结果、分析
    4.1 物体识别和定位解决方案
    4.2 Mask R-CNN实验结果及分析
        4.2.1 实例识别结果
        4.2.2 边界框检测结果
    4.3 立体匹配实验结果及分析
    4.4 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
致谢
参考文献
附录A:攻读硕士期间的发表论文目录及学术成果



本文编号：3827276