面向城市智能汽车的认知地图车道层生成系统
发布时间：2022-01-25 21:26
随着自动驾驶研究的深入,业内普遍认为实现L4级别以上的自动驾驶需要专用地图的支持。高精度地图是一种可行的解决方案,但其高昂的成本导致推广进度缓慢。针对该问题,本团队提出了一种轻量化、低成本的自动驾驶系统专用地图——认知地图。认知地图采用层结构表示,其中车道层是认知地图的基础。本文的研究工作围绕面向城市智能汽车的认知地图车道层生成系统展开,主要完成了以下三个工作:（1）认知地图车道层的表达及生成。i)针对高精度地图成本高昂的问题,本文根据人类驾驶车辆的认知过程,设计了认知地图车道层的表达方式,以更低成本实现了同样的功能。ii)针对人工制图效率低下的问题,本文设计了认知地图车道层路口部分生成方法、认知地图车道层非路口部分生成方法,制图效率提升70%。（2）融合语义分割和形状分类的路口识别方法。路口特征是生成认知地图车道层路口部分的重要依据。针对缺少路口识别方法的问题,本文提出了融合语义分割和形状分类的路口识别网络,该网络使用了split-transform-merge策略,以更轻量化的结构实现接近复杂网络的特征表达效果,并引入了多级跳层结构使网络专注于全局特征以提升识别率。（3）基于Lan...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：86 页
【学位级别】：硕士
【部分图文】：
高精度地图测绘车
电子科技大学硕士学位论文6原始RGB图像灰度图去除噪点后的灰度图霍夫空间的点集二值化图像边缘特征抑制噪声点后的点集灰度化高斯核去噪声Sobel算子提取边缘特征保留灰度值为255的点霍夫变换极大值抑制路肩、车道线绘制直线图1-5霍夫检测算法流程（2）基于深度学习的方法基于深度学习[17]的方法的复杂度高于传统方法、实时性低于传统方法，但是具有更强的泛化能力，在使用之前不需要根据被检测物体的形状和个数进行调参。因此基于深度学习的方法一般应用于环境复杂的场景，如开放的室外场景。2016年He[18]等人提出了双视角卷积神经网络(DVCNN)，不同于一般的网络，该网络同时使用前视图和俯视图。利用前视图，可以将移动的汽车、护栏和路边等排除在外，而通过俯视图，非路边形状的结构将会被去除，如箭头和地面标语。该网络的结构如图1-6所示。实验结果表明该网络的精确度和召回率均高于普通CNN网络，但是处理一张图像的时间长达11s，不具备实时性。图1-6DVCNN结构图
第一章绪论72018年Song[19]等人利用传统计算机视觉的方法进行车道线特征提取，然后使用卷积神经网络(ConvolutionalNeuralNetworks)[20]对提取出的特征进行分类，判别特征是否为车道线的特征，以及车道线的类别。该网络由四层卷积层(convolutionlayer)，两层池化层(poolinglayer)，两层全连接层(fullyconnectedlayer)组成，其中卷积层用于提取特征，池化层用于减少训练所需参数，全连接层用于重组特征。该网络的输入是经过传统视觉方法处理后的图像，输出为图像中的车道线类别，一共可以检测五种车道线类别，如图1-7所示，从左至右分别是：1)单实线；2)双实现；3)单虚线；4)左实线+右虚线；5)左虚线+右实线。图1-7五种车道线类别该方法只是局部使用了卷积神经网络，因此计算速度快于普通的端到端的神经网络，但是该算法只能检测上图所示的五种类型车道线，而且车道线必须完整、清晰，如果出现局部遮挡或其车道线不清晰则无法正确检测。1.2.4路口特征识别研究现状（1）结构化道路的路口特征识别方法结构化道路具有完整清晰的道路标志线，道路的背景环境比较单一，道路的几何特征也比较明显，具有标准的路口形状。因此，针对结构道路的路口特征识别问题，可以简化为车道线或道路边界的检测问题。如图1-8所示：图1-8结构化道路的十字路口
【参考文献】：
期刊论文
[1]深层网络中的梯度消失现象[J]. 周祥全,张津. 科技展望. 2017(27)
[2]基于车载系统双目CCD相机测距[J]. 张颖江,潘尧,吴聪. 信息安全与技术. 2016(01)
[3]自主移动机器人三角定位的路标优化[J]. 张祥德,牛纪祥,董再励. 东北大学学报. 2004(01)
[4]基于Hough变换的直线跟踪方法[J]. 陈震,高满屯,杨声云. 计算机应用. 2003(10)
硕士论文
[1]面向认知地图的地标识别研究及其应用[D]. 许成凤.电子科技大学 2019
[2]面向智能汽车的多层次认知地图表达与生成方法研究[D]. 王杨.电子科技大学 2019
[3]面向认知地图的智能车定位系统及其应用[D]. 骆佩佩.电子科技大学 2018
[4]基于点线综合特征的双目视觉SLAM方法[D]. 谢晓佳.浙江大学 2017
本文编号：3609237
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：86 页
【学位级别】：硕士
【部分图文】：
高精度地图测绘车
电子科技大学硕士学位论文6原始RGB图像灰度图去除噪点后的灰度图霍夫空间的点集二值化图像边缘特征抑制噪声点后的点集灰度化高斯核去噪声Sobel算子提取边缘特征保留灰度值为255的点霍夫变换极大值抑制路肩、车道线绘制直线图1-5霍夫检测算法流程（2）基于深度学习的方法基于深度学习[17]的方法的复杂度高于传统方法、实时性低于传统方法，但是具有更强的泛化能力，在使用之前不需要根据被检测物体的形状和个数进行调参。因此基于深度学习的方法一般应用于环境复杂的场景，如开放的室外场景。2016年He[18]等人提出了双视角卷积神经网络(DVCNN)，不同于一般的网络，该网络同时使用前视图和俯视图。利用前视图，可以将移动的汽车、护栏和路边等排除在外，而通过俯视图，非路边形状的结构将会被去除，如箭头和地面标语。该网络的结构如图1-6所示。实验结果表明该网络的精确度和召回率均高于普通CNN网络，但是处理一张图像的时间长达11s，不具备实时性。图1-6DVCNN结构图
第一章绪论72018年Song[19]等人利用传统计算机视觉的方法进行车道线特征提取，然后使用卷积神经网络(ConvolutionalNeuralNetworks)[20]对提取出的特征进行分类，判别特征是否为车道线的特征，以及车道线的类别。该网络由四层卷积层(convolutionlayer)，两层池化层(poolinglayer)，两层全连接层(fullyconnectedlayer)组成，其中卷积层用于提取特征，池化层用于减少训练所需参数，全连接层用于重组特征。该网络的输入是经过传统视觉方法处理后的图像，输出为图像中的车道线类别，一共可以检测五种车道线类别，如图1-7所示，从左至右分别是：1)单实线；2)双实现；3)单虚线；4)左实线+右虚线；5)左虚线+右实线。图1-7五种车道线类别该方法只是局部使用了卷积神经网络，因此计算速度快于普通的端到端的神经网络，但是该算法只能检测上图所示的五种类型车道线，而且车道线必须完整、清晰，如果出现局部遮挡或其车道线不清晰则无法正确检测。1.2.4路口特征识别研究现状（1）结构化道路的路口特征识别方法结构化道路具有完整清晰的道路标志线，道路的背景环境比较单一，道路的几何特征也比较明显，具有标准的路口形状。因此，针对结构道路的路口特征识别问题，可以简化为车道线或道路边界的检测问题。如图1-8所示：图1-8结构化道路的十字路口
【参考文献】：
期刊论文
[1]深层网络中的梯度消失现象[J]. 周祥全,张津. 科技展望. 2017(27)
[2]基于车载系统双目CCD相机测距[J]. 张颖江,潘尧,吴聪. 信息安全与技术. 2016(01)
[3]自主移动机器人三角定位的路标优化[J]. 张祥德,牛纪祥,董再励. 东北大学学报. 2004(01)
[4]基于Hough变换的直线跟踪方法[J]. 陈震,高满屯,杨声云. 计算机应用. 2003(10)
硕士论文
[1]面向认知地图的地标识别研究及其应用[D]. 许成凤.电子科技大学 2019
[2]面向智能汽车的多层次认知地图表达与生成方法研究[D]. 王杨.电子科技大学 2019
[3]面向认知地图的智能车定位系统及其应用[D]. 骆佩佩.电子科技大学 2018
[4]基于点线综合特征的双目视觉SLAM方法[D]. 谢晓佳.浙江大学 2017
本文编号：3609237
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3609237.html
