自动驾驶场景障碍物检测与道路识别

发布时间：2024-03-01 23:27

　　高速、高精度视觉感知技术是未来无人驾驶的发展的必由之路。深度学习方法在无人驾驶场景视觉检测与识别上有其独特的优势。当前,深度学习理论已经广泛地应用于驾驶环境障碍物和车道线的检测识别与语义分割、行人与车辆意图预测、交通监控、驾驶员状态监测以及多传感器信息融合等领域。在众多的应用领域中,快速、高精度的驾驶环境障碍物检测与识别及道路语义分割是实现未来安全无人驾驶的先决条件。本文首先分别介绍了基于Windows和Ubuntu操作系统的深度学习算法框架搭建,并深入分析了深度学习方法中的各类典型数据集、网络结构和数值优化方法。在此基础上,本文利用Tensorflow深度学习框架,将端到端的YOLOv3算法应用于自动驾驶场景的障碍物检测与识别。不同于区域建议的方法,该方法将目标检测和识别问题归结为回归问题,仅需要使用单一的网络对所获取图像做一次评估就能够获取图像中目标物的边界框和类别。因此,其检测和识别速度较快。然而,该方法相比于区域推荐类方法,也存在一定的弊端。其定位精度较差,且其在目标物较小、目标物相距较近的情况下检测效果较差。实验证明,该算法能准确地识别各类自动驾驶环境中的障碍物,其检测和识别...

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

图1.1无人驾驶场景下的机器视觉问题.（a）语义分割；（b）车道线识别；（c）目标识别与跟踪；（d）多传感器融合.无人驾驶汽车对真实场景的检测与识别，核心要解决的问题是算法的检测速

哈尔滨工业大学工学硕士学位论文第1章绪论1.1研究背景与意义随着深度神经网络算法的不断进步，摄像机对生活场景的识别和理解能力日益增强（如图1.1所示），使得无人驾驶汽车真正上路成为可能。目前，国、内外已经有很多科技企业和教育研究机构的各类型号的无人驾驶汽车完成了不同....

图1.2RCNN系列算法的步骤示意图

1.2国内外研究现状1.2.1视觉检测与识别近些年，自动驾驶视觉算法在应用的驱动下得到了飞速的发展，众多优秀的算法被提出和应用[5-8]。当前，学术和工业界应用比较多的算法主要是基于深度神经网络的算法。这些算法大体上可以分为三类：基于区域建议的算法、基于回归的算法和基于搜索的....

图1.3空洞卷积结构示意图

哈尔滨工业大学工学硕士学位论文使得网络具备了像素级密集预测能力。该网络结构处理速度较像素块方法更快，且可以使分割图谱生成任意大小的图像。传统卷积神经网络中，除了全连接层，池化层也同样制约分割问题的求解。池化层使图像丢失部分位置信息，而语义分割需要对精确调整分割图谱，从而需要保留池....

图2.1二维卷积运算示意图

图2.1二维卷积运算示意图Caffe中的卷积运算包含有两个参数，思是窗口从现在位置到下一个位置跳过初始数据的周围加上0的圈数。卷积运算部连接，以减少参数量防止过拟合。层(Pooling)的聚合，降低空间维数，意义是减少计络的维数，有效防止过拟合的发生。池值池化，范数池....

本文编号：3915980