基于神经网络的交通标识检测与识别算法研究

发布时间：2021-02-16 04:18

　　随着图像传感器技术的发展,人们可以轻而易举地获取有价值图像信息。因此大量的学者开始在图像处理领域不断深耕,促进了技术的发展。基于计算机视觉的自动驾驶系统感知模块更是成为研究热点。自动驾驶简单来说是在整个驾驶过程中不需要驾驶员的参与,能够避免人为因素造成的驾驶事故。因此,这项技术的发展可以真正地提高道路安全水平。自动驾驶系统中视觉感知模块包括行人检测、车道线检测、交通标识牌识别、车辆检测和交通信号灯检测等任务。本文针对交通场景中的车道线检测与交通信号灯检测任务,通过分析传统图像处理方法与基于卷积神经网络的深度学习方法实现检测的利弊,设计了基于卷积神经网络的车道线检测算法与交通信号灯检测算法,并将其联合设计成为能够同时实现上述功能的多任务网络。首先,进行车道线检测网络设计,本任务可以划分为语义分割任务。根据对语义分割网络的研究,设计一种基于改进Deeplabv3plus的带有非单一扩张系数的空洞卷积和具有密集连接理念的车道线检测网络。首先,基于Res Net101网络设计特征提取网络,在此加入非单一扩张系数的空洞卷积进行改进。然后,将提取的特征输入改进的具有密集连接的ASPP模块。最后,通... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题背景及研究的目的和意义
    1.2 自动驾驶国内外的研究现状
    1.3 基于语义分割的车道线检测发展现状
        1.3.1 语义分割算法发展现状
        1.3.2 车道线检测算法发展现状
    1.4 基于深度学习的交通信号检测发展现状
        1.4.1 目标检测算法发展现状
        1.4.2 交通信号灯检测算法发展现状
    1.5 主要研究内容及章节安排
        1.5.1 主要研究内容
        1.5.2 章节安排
第2章 基础理论
    2.1 引言
    2.2 卷积神经网络
        2.2.1 网络理论基础
        2.2.2 卷积神经网络训练过程
    2.3 典型卷积神经网络结构
    2.4 图像语义分割算法
    2.5 目标检测算法
    2.6 本章小结
第3章 基于多尺度残差网络的车道线检测算法
    3.1 引言
    3.2 Deeplabv3plus算法
    3.3 基于改进Deeplabv3plus车道线检测网络设计
        3.3.1 特征提取网络
        3.3.2 带空洞卷积的残差模块
        3.3.3 空洞空间金字塔池化模块
        3.3.4 整体网络设计结果
    3.4 实验结果与分析
        3.4.1 数据集
        3.4.2 评价标准
        3.4.3 实验结果及分析
    3.5 本章小结
第4章 基于改进Faster-RCNN交通标识检测方法及多任务网络设计
    4.1 引言
    4.2 Faster RCNN目标检测算法
    4.3 基于改进Faster-RCNN交通信号灯检测网络设计
        4.3.1 特征提取网络
        4.3.2 网络改进
        4.3.3 整体网络设计结果
    4.4 多任务网络设计
    4.5 实验结果与分析
        4.5.1 交通信号灯实验结果与分析
        4.5.2 多任务实验结果与分析
    4.6 本章小结
结论
参考文献
致谢


【参考文献】：
期刊论文
[1]深度学习目标检测方法综述[J]. 赵永强,饶元,董世鹏,张君毅.  中国图象图形学报. 2020(04)
[2]基于改进Enet网络的车道线检测算法[J]. 刘彬,刘宏哲.  计算机科学. 2020(04)
[3]基于Faster-RCNN的交通信号灯检测与识别[J]. 潘卫国,陈英昊,刘博,石洪丽.  传感器与微系统. 2019(09)
[4]基于边缘特征融合和跨连接的车道线语义分割神经网络[J]. 庞彦伟,修宇璇.  天津大学学报(自然科学与工程技术版). 2019(08)
[5]基于渐变上下文特征的交通灯识别方法[J]. 李子康,徐桂芝,郭苗苗.  传感器与微系统. 2018(10)
[6]百度谷歌无人驾驶汽车发展综述[J]. 何佳,戎辉,王文扬,田晓笛,高嵩,郭蓬.  汽车电器. 2017(12)
[7]基于显著性特征的交通信号灯检测和识别[J]. 许明文,张重阳.  计算机与数字工程. 2017(07)
[8]二维Otsu自适应阈值选取算法的快速实现[J]. 汪海洋,潘德炉,夏德深.  自动化学报. 2007(09)
[9]CITAVT-IV——视觉导航的自主车[J]. 孙振平,安向京,贺汉根.  机器人. 2002(02)

博士论文
[1]基于深度学习的自动驾驶单目视觉目标识别技术研究[D]. 陈宇鹏.吉林大学 2019

硕士论文
[1]基于单目视觉的自动驾驶视觉感知算法设计[D]. 张迪.华中科技大学 2019
[2]基于多任务网络的智能车辆环境感知方法研究[D]. 杨曰凯.大连理工大学 2019



本文编号：3036143