面向无人驾驶场景的道路元素检测技术研究

发布时间：2021-04-18 09:00

　　无人驾驶技术是通过车载感知、定位、计算、控制设备,自动安全地操作无人车按照规定路线运行的技术,涉及人工智能、计算机视觉、自动控制等技术的综合运用。其中,基于计算机视觉的道路元素检测是无人驾驶设备感知道路环境、做出控制决策的核心技术,关系到设备行驶的安全性和高效性。为实现准确的道路元素检测技术,本文深入分析了道路元素的视觉特性,提出了一系列基于深度学习的道路元素检测方法,大幅提高了自动驾驶场景下道路元素检测的准确率。本文关注于道路元素的三个主要类型:交通标志、行人、道路路面。因为三种道路元素具有独特的视觉特点,检测算法也面临着不同的挑战:1)交通标志通常具有较小的可视面积,不同交通标志具有不同的形状、大小、颜色;2)行人因距离不同、行为多样,存在尺度变化大、易产生遮挡等问题;3)道路路面由于铺设材料、使用时间、道路等级等不同,通常具有不同的视觉特征,对检测模型的泛化能力带来极大挑战。针对上述挑战,本文分别针对交通标志、行人、路面设计了有效的检测方法:首先,我们提出了一种面向小目标的局部上下文网络学习道路图像中的多尺度局部特征,提高了野外和城市交通标志分别的检测准确率;然后,我们设计了一种... 

【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校

【文章页数】：57 页

【学位级别】：硕士

【部分图文】：

自动驾驶场景下的交通标志

?北京邮电大学工学硕士学位论文Ｒ－ＣＮＮ框架。如图３－２所示，ＦａｓｔｅｒＲ－ＣＮＮ包括两个阶段，在第一阶段，ＲＰＮ（区域生成网络）由全卷积网络构成，用来预测作为目标对象的位置定位和评分根据得分，选框在多个尺寸的参考框（锚）的边界框之间选择。在第二阶段，第一阶段产生的提案的特征由ＲＯＩ池化层从特征提取器中裁剪出来。然后连全连接层，以预测每个边界框的类别和特定类别的边界框位置。另外，这两个段有多任务损失，一个是边界框回归，另一个是类别分类。??原图特征

ｎ?特征提取??＾ｙ／??Ｐ?？?／?／Ｖ?区域生成??类别分类??边界框回归??图?３－２?Ｆａｓｔｅｒ?ＲＣＮＮ?架构??－ＦＣＮ检测技术??ＦＣＮ是继Ｆａｓｔｅｒ?Ｒ－ＣＮＮ之后的又一典型方法，它遵循由区域建议和成的两阶段目标检测策略。Ｒ－ＦＣＮ相比于ＦａｓｔｅｒＲ－ＣＮＮ，是一种采裁剪方法的全卷积网络。如图３－３所示，在阶段１中，Ｒ－ＦＣＮ中的ＲｅｒＲ－ＣＮＮ相同。在阶段２中，原始ＲＯＩ池化层被Ｒ－ＦＣＮ顶部的位置化层所取代。该层从位置敏感的分数图中提取信息。分数图通过一组层对位置信息进行编码。结果表明，使用ＲｅｓｎｅｔｌＯｌ网络的Ｒ－ＦＣＮ的运行时间内获得与ＦａｓｔｅｒＲ－ＣＮＮ相当的精度。??原阁７??


本文编号：3145203