基于深度学习的自动驾驶目标检测研究

发布时间：2024-03-24 16:38

　　近年来,随着人工智能技术的快速发展,全球的各大科技公司都将目光战略性地转移到了自动驾驶领域,一时将自动驾驶的研究推向了高潮。目标检测是自动驾驶领域的核心技术之一,它是自动驾驶感知环境的重要途径,影响着车辆的控制决策。行人、车辆、非机动车是车辆驾驶过程重点关注的对象,为此,本文根据KITTI自动驾驶数据集,将检测对象合并为汽车、行人、骑行的人三类目标,并在此基础上设计适用于自动驾驶目标检测的方法。自动驾驶目标检测环境极其复杂,存在目标尺度变化较大、目标密集以及遮挡严重等问题,传统的目标检测方法难以达到检测精度的要求。因此,本文选择基于深度学习的二阶段目标检测算法Faster R-CNN和一阶段目标检测算法SSD(Single Shot Multibox Detector),结合实验场景和算法自身特点分别对两种算法进行改进,并通过实验验证改进前后的算法性能。对于二阶段目标检测算法Faster R-CNN,根据数据集的分辨率调整了网络的输入;采用ROI Align改进了原算法中高误差的ROI Pooling候选区域池化方式;采用Focal Loss对损失函数的分类部分进行优化,使训练过程更加...

【文章页数】：65 页

【学位级别】：硕士

【部分图文】：

图2.3检测框内提取Haar特征的过程演示特征值的计算过程如式所示：

杭州电子科技大学硕士学位论文10图2.3检测框内提取Haar特征的过程演示Haar特征值的计算过程如式(2.1)所示：()allblackPixelallPixelblackfeaturevaluexweightPixelweightPixel(2.1)可以理解为模板中白色区域的....

图2.5图像金字塔结构

杭州电子科技大学硕士学位论文11如图2.5所示；（2）按一定比例依次放大检测窗口，同时窗口内的Haar特征模板也对应变大，然后再依次滑动。图2.5图像金字塔结构2.2.2基于SIFT特征的图像匹配算法图像中的边缘点、角点等位置，通常具有较强的显著性且较容易提龋SIFT特征就是针对....

图2.12FasterR-CNN结构示意图

杭州电子科技大学硕士学位论文16其结构如2.13所示。候选区域输出特征图RPN网络ROIPooling图2.12FasterR-CNN结构示意图类别信息检测框位置信息滑动窗口特征图k个锚框256-d2k4k图2.13RPN网络结构示意图RPN引入了锚框的机制，在基础网络的第五层卷....

图2.13RPN网络结构示意图

杭州电子科技大学硕士学位论文16其结构如2.13所示。候选区域输出特征图RPN网络ROIPooling图2.12FasterR-CNN结构示意图类别信息检测框位置信息滑动窗口特征图k个锚框256-d2k4k图2.13RPN网络结构示意图RPN引入了锚框的机制，在基础网络的第五层卷....

本文编号：3937740