基于图像语义分割的车辆可行驶区域识别方法研究

发布时间：2025-03-19 05:13

　　智能驾驶环境感知是车辆决策和控制的关键依据,如何识别车辆可行驶区域是其中的一项重要研究内容。一方面,交通行驶环境复杂、多变,车辆可行驶区域的识别一直难以取得理想的效果;另一方面,智能驾驶对识别算法的准确性和实时性要求很高,导致算法的实际应用条件十分严苛。本文以车辆可行驶区域为研究对象,通过对深度学习算法改进和优化,并运用双目立体视觉求取三维驾驶场景的空间信息,提出了一种新型基于卷积神经网络(Convolutional Neural Network,CNN)的语义分割方法,以期实现智能驾驶场景下车辆可行驶区域准确、高效的识别。论文主要工作如下:(1)语义分割的关键技术依赖于图像特征。鉴于卷积神经网络优越的特征提取性能,构造一种基于CNN“编码器-解码器”架构的语义分割模型,用于提取可行驶区域的图像特征。考虑到工程实际对实时性的要求,对网络深度进行浅层化处理。同时,为了保证模型识别准确率,从网络“宽度”改进和优化,提出了Ournet网络模型,识别车辆可行驶区域。(2)为获取智能驾驶场景下道路的空间几何信息,通过双目立体视觉在图像RGB特征的基础上增加深度,建立RGB-D数据集,为识别模型提供...

【文章页数】：76 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 课题背景与意义
    1.2 可行驶区域识别研究现状
    1.3 论文研究内容与组织架构
        1.3.1 主要研究内容
        1.3.2 论文组织架构
第二章 卷积神经网络和图像语义分割原理
    2.1 语义分割算法
        2.1.1 图像分割
        2.1.2 图像语义分割
    2.2 卷积神经网络
        2.2.1 深度学习概述
        2.2.2 卷积神经网络
    2.3 论文问题定义与描述
        2.3.1 可行驶区域数据集
        2.3.2 概念定义与表达
    2.4 本章小结
第三章 基于“编码器-解码器”的可行驶区域识别模型
    3.1 可行驶区域识别算法架构
        3.1.1 网络架构
        3.1.2 概率预测模型
        3.1.3 训练优化方法
    3.2 基于卷积神经网络的“编码器-解码器”架构
        3.2.1 基于VGGNet的“编码器-解码器”架构的Segnet
        3.2.2 基于改进AlexNet的“编码器-解码器”架构的Ournet
    3.3 Ournet结构优化
        3.3.1 防止过拟合
        3.3.2 Batch Normalization
    3.4 RGB图像可行驶区域识别分析
        3.4.1 实验环境
        3.4.2 实验评判标准
        3.4.3 实验过程
        3.4.4 实验结果与分析
    3.5 本章小结
第四章 结合语义分割和双目立体视觉的可行驶区域识别
    4.1 双目立体视觉RGB-D
        4.1.1 单目视觉几何建模
        4.1.2 双目立体视觉几何建模
        4.1.3 双目立体匹配技术
    4.2 RGB-D图像可行驶区域识别分析
        4.2.1 实验过程与对比方法
        4.2.2 实验结果与分析
    4.3 本章小结
总结与展望
    总结
    展望
参考文献
攻读硕士学位期间取得的研究成果
致谢
附件



本文编号：4036717