基于Mask R-CNN的无人驾驶汽车道路前方目标检测的研究
发布时间：2021-11-15 06:04
无人驾驶汽车道路前方的目标检测技术,最主要的是对外界各种复杂的环境的感知再对此进行决策,从而使无人驾驶汽车正确地自主操作,应对驾驶。然而在对车外目标检测的过程中,因为复杂的外界因素会使得目标检测的准确度方面有很大影响,而且在样本中很多较为模糊、微小和歪斜的目标难以分割,还有遮挡的车辆、路标、停车线还有各种障碍物。本文通过使用目标检测Mask R-CNN算法并且使用车辆前方道路cityscapes数据集进行训练和测试,对前方行驶区域进行预测和道路前方的目标进行检测,而在目标检测中对模糊、微小和歪斜的目标则采用关键点的检测方法,提升Mask R-CNN的准确度。在本文中主要完成了如下工作:1.通过在Cityscapes数据集上进行测试将Mask R-CNN与常用的神经网络算法的比较,体现Mask R-CNN的优势。2.将Mask R-CNN运用于无人驾驶汽车道路前方的目标检测中,在对道路前方行驶区域的预测中,与传统的图像分割方法进行比较,发现Mask R-CNN对行驶区域的预测更加精准。3.在Mask R-CNN加入关键点的检测,对目标进行多个关键点选取,每个类别的关键点位置都做一个mas...
【文章来源】：南昌大学江西省 211工程院校
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
图２．１卷积神经网络结构图??２．２．１输入层??
?第２章神经卷积网络介绍???卷积核进行对对象特征的提取的过程如图２．５所示。??＾?—?）????ｈ?，?，?＾??廿十??图２．５卷积核提取过程??这就是卷积的运作方式，计算方法：??Ｆｌ＝Ｗｌｌ＊Ｒ＋Ｗ１２＊Ｇ＋Ｗ１３＊Ｂ＋ｂｌ??Ｆ２－Ｗ２１＊Ｒ＋Ｗ２２＊Ｇ＋Ｗ２３＊Ｂ＋ｂ２??Ｆ３＝Ｗ３１?＊Ｒ＋Ｗ３２＊Ｇ＋Ｗ３３＊Ｂ＋ｂ３??Ｆ４＝Ｗ４１＊Ｒ＋Ｗ４２＊Ｇ＋Ｗ４３＊Ｂ＋ｂ４?（２．３）??其中Ｆ表示特征图，Ｗ表示卷积核，＊表示卷积运算符。??２．２．３激活层??在激活层中，假如不用激励函数（其实就相当于激励函数是ｆ（ｘ）－ｘ），这??种情况下，每一层的输出都是上一层输入的线性函数。这样的话，无论有多少??神经网络层，输出都是输入的线性组合，这就是最原始的感知机了。使用激活??函数处理往往与之前的卷积层结合在一起的，这个作用其实也就是是激活函数??的作用，去线性化处理，在卷积网络中，一般使用的激励函数是ＲｅＬｕ函数，??ＲｅＬＵ迭代速度快，但是有时候效果不佳。再ＲｅＬＵ无效的情况下，采用Ｌｅａｋｙ??ＲｅＬＵ或者Ｍａｘｏｕｔ?—般情况都可以解决问题。如果处理音频或者文本，则Ｔａｎｈ??函数有比较好的效果。??而大多数情况下都不会使用Ｓｉｇｍｏｉｄ函数处理。常用的激励函数有：??１．?Ｓｉｇｍｏｉｄ?函数??２．?Ｔａｎｈ函数??３．?ＲｅＬＵ??４．?Ｌｅａｋｙ?ＲｅＬＵ??５．?ＥＬＵ??１１??
图２．６池化操作??
【参考文献】：
期刊论文
[1]一种针对路口监控图像的区域分割方法[J]. 李昕蔚,丁正彦,尚岩峰,祝永新,汪辉,钟雪霞,田犁,黄尊恺,封松林. 计算机应用与软件. 2020(03)
[2]基于卷积神经网络的人脸关键点检测算法设计[J]. 石高辉,陈晓荣,刘亚茹,戴星宇,池笑宇,李恒. 电子测量技术. 2019(24)
[3]基于图像阈值分割的浒苔图像提取[J]. 张日升,原明亭,丁军航,官晟,孟宪法. 自动化技术与应用. 2020(02)
[4]基于OpenPose人体姿态识别的变电站危险行为检测[J]. 朱建宝,许志龙,孙玉玮,马青山. 自动化与仪表. 2020(02)
[5]无人驾驶汽车关键技术研究[J]. 蒋孙权. 时代汽车. 2020(03)
[6]基于姿态机和卷积神经网络的手的关键点估计[J]. 张风雷. 计算机与数字工程. 2020(01)
[7]基于分水岭分割算法对燕麦籽粒识别中粘连区域的分割[J]. 燕红文,崔清亮. 计算机时代. 2020(01)
[8]基于AlexNet网络的动物图片分类[J]. 周德良. 贵州大学学报(自然科学版). 2019(06)
[9]一种改进的Mask RCNN特征融合实例分割方法[J]. 温尧乐,李林燕,尚欣茹,胡伏原. 计算机应用与软件. 2019(10)
[10]基于Mask RCNN的目标识别与空间定位[J]. 欧攀,路奎,张正,刘泽阳. 计算机测量与控制. 2019(06)
硕士论文
[1]基于全卷积网络改进的图像语义分割应用研究[D]. 李昊东.南京邮电大学 2019
[2]灰度不均匀图像的快速分割方法研究[D]. 曾笑云.湘潭大学 2019
[3]基于深度特征共享的关键点匹配与跟踪算法[D]. 俱青.西安电子科技大学 2019
[4]区域卷积神经网络在车辆检测中的应用研究[D]. 张鹤鹤.西安理工大学 2018
[5]基于深度卷积神经网络和图像传感器的道路多目标检测研究[D]. 谢一德.北京交通大学 2018
[6]基于区域生成网络的自动驾驶系统行人检测算法实现[D]. 王宾.西南交通大学 2018
[7]交通视频中车辆多目标跟踪与特征提取的研究[D]. 郭晓光.天津工业大学 2017
[8]基于深度学习的车辆检测方法研究[D]. 张文桂.华南理工大学 2016
本文编号：3496189
【文章来源】：南昌大学江西省 211工程院校
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
图２．１卷积神经网络结构图??２．２．１输入层??
?第２章神经卷积网络介绍???卷积核进行对对象特征的提取的过程如图２．５所示。??＾?—?）????ｈ?，?，?＾??廿十??图２．５卷积核提取过程??这就是卷积的运作方式，计算方法：??Ｆｌ＝Ｗｌｌ＊Ｒ＋Ｗ１２＊Ｇ＋Ｗ１３＊Ｂ＋ｂｌ??Ｆ２－Ｗ２１＊Ｒ＋Ｗ２２＊Ｇ＋Ｗ２３＊Ｂ＋ｂ２??Ｆ３＝Ｗ３１?＊Ｒ＋Ｗ３２＊Ｇ＋Ｗ３３＊Ｂ＋ｂ３??Ｆ４＝Ｗ４１＊Ｒ＋Ｗ４２＊Ｇ＋Ｗ４３＊Ｂ＋ｂ４?（２．３）??其中Ｆ表示特征图，Ｗ表示卷积核，＊表示卷积运算符。??２．２．３激活层??在激活层中，假如不用激励函数（其实就相当于激励函数是ｆ（ｘ）－ｘ），这??种情况下，每一层的输出都是上一层输入的线性函数。这样的话，无论有多少??神经网络层，输出都是输入的线性组合，这就是最原始的感知机了。使用激活??函数处理往往与之前的卷积层结合在一起的，这个作用其实也就是是激活函数??的作用，去线性化处理，在卷积网络中，一般使用的激励函数是ＲｅＬｕ函数，??ＲｅＬＵ迭代速度快，但是有时候效果不佳。再ＲｅＬＵ无效的情况下，采用Ｌｅａｋｙ??ＲｅＬＵ或者Ｍａｘｏｕｔ?—般情况都可以解决问题。如果处理音频或者文本，则Ｔａｎｈ??函数有比较好的效果。??而大多数情况下都不会使用Ｓｉｇｍｏｉｄ函数处理。常用的激励函数有：??１．?Ｓｉｇｍｏｉｄ?函数??２．?Ｔａｎｈ函数??３．?ＲｅＬＵ??４．?Ｌｅａｋｙ?ＲｅＬＵ??５．?ＥＬＵ??１１??
图２．６池化操作??
【参考文献】：
期刊论文
[1]一种针对路口监控图像的区域分割方法[J]. 李昕蔚,丁正彦,尚岩峰,祝永新,汪辉,钟雪霞,田犁,黄尊恺,封松林. 计算机应用与软件. 2020(03)
[2]基于卷积神经网络的人脸关键点检测算法设计[J]. 石高辉,陈晓荣,刘亚茹,戴星宇,池笑宇,李恒. 电子测量技术. 2019(24)
[3]基于图像阈值分割的浒苔图像提取[J]. 张日升,原明亭,丁军航,官晟,孟宪法. 自动化技术与应用. 2020(02)
[4]基于OpenPose人体姿态识别的变电站危险行为检测[J]. 朱建宝,许志龙,孙玉玮,马青山. 自动化与仪表. 2020(02)
[5]无人驾驶汽车关键技术研究[J]. 蒋孙权. 时代汽车. 2020(03)
[6]基于姿态机和卷积神经网络的手的关键点估计[J]. 张风雷. 计算机与数字工程. 2020(01)
[7]基于分水岭分割算法对燕麦籽粒识别中粘连区域的分割[J]. 燕红文,崔清亮. 计算机时代. 2020(01)
[8]基于AlexNet网络的动物图片分类[J]. 周德良. 贵州大学学报(自然科学版). 2019(06)
[9]一种改进的Mask RCNN特征融合实例分割方法[J]. 温尧乐,李林燕,尚欣茹,胡伏原. 计算机应用与软件. 2019(10)
[10]基于Mask RCNN的目标识别与空间定位[J]. 欧攀,路奎,张正,刘泽阳. 计算机测量与控制. 2019(06)
硕士论文
[1]基于全卷积网络改进的图像语义分割应用研究[D]. 李昊东.南京邮电大学 2019
[2]灰度不均匀图像的快速分割方法研究[D]. 曾笑云.湘潭大学 2019
[3]基于深度特征共享的关键点匹配与跟踪算法[D]. 俱青.西安电子科技大学 2019
[4]区域卷积神经网络在车辆检测中的应用研究[D]. 张鹤鹤.西安理工大学 2018
[5]基于深度卷积神经网络和图像传感器的道路多目标检测研究[D]. 谢一德.北京交通大学 2018
[6]基于区域生成网络的自动驾驶系统行人检测算法实现[D]. 王宾.西南交通大学 2018
[7]交通视频中车辆多目标跟踪与特征提取的研究[D]. 郭晓光.天津工业大学 2017
[8]基于深度学习的车辆检测方法研究[D]. 张文桂.华南理工大学 2016
本文编号：3496189
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3496189.html
