夜间无人车的周边目标信息感知研究
发布时间：2021-02-14 21:57
无人车环境感知系统好比人类的感官系统,是无人车进行决策的信息来源。机器视觉是无人车进行环境感知最常使用的方法,因此研究基于视觉图像的无人车环境感知系统具有重要的意义。夜间道路能见度比较低,道路信息获取困难,相比于白天安全隐患更大。夜间无光的情况下,普通的可见光成像设备无法获取有效的环境信息,而红外热像仪的成像原理是获取场景的温度分布,对于获取夜间场景中的目标具有独特的优势。红外图像纹理信息少,对比度较低,因此夜间场景的无人车环境感知研究具有一定难度。利用夜视机器视觉对夜间目标进行检测与识别,获取无人车周边目标的信息,能够扩展无人车在夜间的感知能力,有效帮助无人车对障碍物及时做出相应决策。本文主要研究基于夜视场景的无人车周边目标信息感知。研究内容主要包括两部分:一、基于改进YOLOv3网络的目标检测与车辆角度预测;二、卷积神经网络与多尺度条件随机场级联的深度估计方法研究,将目标检测结果和深度估计结合,构建了周边车辆距离与速度感知模型。论文的主要创新点如下:1、提出一种能够预测车辆行车方向的改进YOLOv3网络,该网络将周边车辆角度信息加入到YOLOv3网络边界框位置信息中,形成端到端的网...
【文章来源】：东华大学上海市 211工程院校 教育部直属院校
【文章页数】：59 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
1 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 无人车环境感知研究现状
1.2.2 红外图像目标检测算法研究现状
1.2.3 红外图像深度估计研究现状
1.3 本文主要研究工作
2 目标检测与深度估计基本原理与方法
2.1 引言
2.2 基于深度学习的目标检测基本原理方法
2.2.1 两级式目标检测算法
2.2.2 单级式目标检测算法
2.3 图像深度估计基本原理方法
2.3.1 基于机器学习的图像深度估计
2.3.2 基于深度学习的图像深度估计
2.4 本章小结
3 基于改进YOLOv3 网络的目标检测与车辆角度预测算法
3.1 引言
3.2 基于改进YOLOv3 网络的目标检测与车辆角度预测模型
3.2.1 YOLO网络基本结构
3.2.2 改进的YOLOv3 网络模型
3.2.3 周边车辆角度预测模型
3.3 实验
3.3.1 实验配置
3.3.2 实验步骤
3.3.3 评价指标
3.3.4 实验结果及分析
3.4 本章小结
4 基于深度估计的周边车辆信息感知模型
4.1 引言
4.2 红外图像深度估计模型
4.2.1 卷积神经网络基本结构
4.2.2 条件随机场网络模型
4.2.3 卷积-条件随机场深度估计网络模型
4.3 周边车辆信息感知模型
4.3.1 周边车辆距离感知模型
4.3.2 周边车辆速度感知模型
4.4 实验
4.4.1 实验配置
4.4.2 实验步骤
4.4.3 实验评价指标
4.4.4 实验结果与分析
4.5 本章小结
5 总结与展望
5.1 全文总结
5.2 全文展望
参考文献
致谢
攻读硕士期间研究成果
【参考文献】：
期刊论文
[1]基于帧间信息提取的单幅红外图像深度估计[J]. 顾婷婷,赵海涛,孙韶媛. 激光与光电子学进展. 2018(06)
[2]基于深度学习的目标检测算法综述[J]. 周晓彦,王珂,李凌燕. 电子测量技术. 2017(11)
[3]基于双向递归卷积神经网络的单目红外视频深度估计[J]. 吴寿川,赵海涛,孙韶媛. 光学学报. 2017(12)
[4]基于红外与雷达的夜间无人车场景深度估计[J]. 姚广顺,孙韶媛,方建安,赵海涛. 激光与光电子学进展. 2017(12)
[5]基于加速区域卷积神经网络的夜间行人检测研究[J]. 叶国林,孙韶媛,高凯珺,赵海涛. 激光与光电子学进展. 2017(08)
[6]基于多特征融合的红外图像行人检测[J]. 胡庆新,吕鹏. 计算机应用. 2016(S1)
[7]全球自动驾驶发展现状与趋势(上)[J]. 孟海华,江洪波,汤天波. 华东科技. 2014(09)
[8]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)
[9]强化学习研究综述[J]. 高阳,陈世福,陆鑫. 自动化学报. 2004(01)
博士论文
[1]智能车行车环境视觉感知关键技术研究[D]. 梁敏健.长安大学 2017
[2]无人驾驶汽车环境信息提取及运动决策方法研究[D]. 武历颖.长安大学 2016
硕士论文
[1]夜间模式下场景特征识别与大视场三维重建的研究[D]. 黄珍.东华大学 2017
[2]深度学习在图像识别中的研究及应用[D]. 李卫.武汉理工大学 2014
本文编号：3033928
【文章来源】：东华大学上海市 211工程院校 教育部直属院校
【文章页数】：59 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
1 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 无人车环境感知研究现状
1.2.2 红外图像目标检测算法研究现状
1.2.3 红外图像深度估计研究现状
1.3 本文主要研究工作
2 目标检测与深度估计基本原理与方法
2.1 引言
2.2 基于深度学习的目标检测基本原理方法
2.2.1 两级式目标检测算法
2.2.2 单级式目标检测算法
2.3 图像深度估计基本原理方法
2.3.1 基于机器学习的图像深度估计
2.3.2 基于深度学习的图像深度估计
2.4 本章小结
3 基于改进YOLOv3 网络的目标检测与车辆角度预测算法
3.1 引言
3.2 基于改进YOLOv3 网络的目标检测与车辆角度预测模型
3.2.1 YOLO网络基本结构
3.2.2 改进的YOLOv3 网络模型
3.2.3 周边车辆角度预测模型
3.3 实验
3.3.1 实验配置
3.3.2 实验步骤
3.3.3 评价指标
3.3.4 实验结果及分析
3.4 本章小结
4 基于深度估计的周边车辆信息感知模型
4.1 引言
4.2 红外图像深度估计模型
4.2.1 卷积神经网络基本结构
4.2.2 条件随机场网络模型
4.2.3 卷积-条件随机场深度估计网络模型
4.3 周边车辆信息感知模型
4.3.1 周边车辆距离感知模型
4.3.2 周边车辆速度感知模型
4.4 实验
4.4.1 实验配置
4.4.2 实验步骤
4.4.3 实验评价指标
4.4.4 实验结果与分析
4.5 本章小结
5 总结与展望
5.1 全文总结
5.2 全文展望
参考文献
致谢
攻读硕士期间研究成果
【参考文献】：
期刊论文
[1]基于帧间信息提取的单幅红外图像深度估计[J]. 顾婷婷,赵海涛,孙韶媛. 激光与光电子学进展. 2018(06)
[2]基于深度学习的目标检测算法综述[J]. 周晓彦,王珂,李凌燕. 电子测量技术. 2017(11)
[3]基于双向递归卷积神经网络的单目红外视频深度估计[J]. 吴寿川,赵海涛,孙韶媛. 光学学报. 2017(12)
[4]基于红外与雷达的夜间无人车场景深度估计[J]. 姚广顺,孙韶媛,方建安,赵海涛. 激光与光电子学进展. 2017(12)
[5]基于加速区域卷积神经网络的夜间行人检测研究[J]. 叶国林,孙韶媛,高凯珺,赵海涛. 激光与光电子学进展. 2017(08)
[6]基于多特征融合的红外图像行人检测[J]. 胡庆新,吕鹏. 计算机应用. 2016(S1)
[7]全球自动驾驶发展现状与趋势(上)[J]. 孟海华,江洪波,汤天波. 华东科技. 2014(09)
[8]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)
[9]强化学习研究综述[J]. 高阳,陈世福,陆鑫. 自动化学报. 2004(01)
博士论文
[1]智能车行车环境视觉感知关键技术研究[D]. 梁敏健.长安大学 2017
[2]无人驾驶汽车环境信息提取及运动决策方法研究[D]. 武历颖.长安大学 2016
硕士论文
[1]夜间模式下场景特征识别与大视场三维重建的研究[D]. 黄珍.东华大学 2017
[2]深度学习在图像识别中的研究及应用[D]. 李卫.武汉理工大学 2014
本文编号：3033928
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3033928.html
最近更新
教材专著
