面向自动驾驶场景的交通标志检测技术研究

发布时间：2024-07-07 02:39

　　环境感知为自动驾驶技术提供了重要的数据基础,其涉及计算机视觉,自动控制等技术的综合运用。自动驾驶设备对道路环境的感知能力和做出控制决策的能力依赖于对道路元素的精准检测,关系到车辆行驶的安全性和高效性。本文深入讨论道路元素检测的一种重要类型,即交通标志的检测。为了进一步实现准确高效的交通标志检测技术,本文在极速区域卷积神经网络(Faster Region-based Convolutional Neural Networks,Faster R-CNN)的基础之上做出改进,提出了一种基于深度学习的交通标志检测方法。交通标志与其它道路元素存在视觉差异,所以对检测算法也具有不同的要求:交通标志在图像中呈现的可视面积一般都不大,且实际应用中对算法具有实时性的要求。在区域卷积神经网络(Region-based Convolutional Neural Networks,R-CNN)系列算法中,Faster R-CNN算法在处理目标检测的问题时具有较好的表现,但是由于在Faster R-CNN中,区域候选框网络(Region Proposal Networks,RPN)生成的候选框质量欠佳且数量过多...

【文章页数】：46 页

【学位级别】：硕士

【部分图文】：

图１－２自动驾驶程度等级??

碑士学位论文??ＭＡＳＴＥＲ＇Ｓ?ＴＨＥＳＩＳ??工标注的数据集极为有利；其次，深度学习算法允许在ＧＰＵｓ上并行处理图像，??夯实了模型学习的效率，增强了网络的预测能力。??传麵学习｜输入Ｍ人工特??＞?｜权重??１专』机益丨一、?｜征提取?｜学习?｜结果??深度学习?输入一＾基....

图２－３图像定位与Ｈ标检测??ＰＳＣＡＬ?ＶＯＣｕｙＴｈｅ?ＰＡＳＣＡＬ?Ｖｉｓｕａｌ?Ｏｂｅｃｔ??

硕士学位论文??ＭＡＳＴＥＲ＇Ｓ?ＴＨＥＳＩＳ??由控制系统做出相应的响应。在实际应用系统中，对于场景中出现的不同类型的??物体，模型首先通过定义边界框将这些目标物体在图片中所处的位置标记出来，??再对其所属类别进行判定。??ＣＡＴ?ＣＡ丁．?ＣＸ３Ｇ．??图２－３图像定位与Ｈ标....

图３－４合并池化方法??为了对最大池化层的效果欠佳之处进行补足，在合并池化方法里面添加了平??－

论文??ＭＡＳＴＥＲ＇Ｓ?ＴＨＥＳＩＳ??最大?＾最大?平均??池化?池化?池化??连接??层??图３－４合并池化方法??为了对最大池化层的效果欠佳之处进行补足，在合并池化方法里面添加了平??均池化层。从图３－４中可以看到合并池化方法包含两步。第一步分别使用最大池??化层和平均池....

图４－２两种方法在不同ＩｏＵ下的召回率??由图４－２可知，图（ａ）是候选框数量为２００时两种算法的召回率对比，图??（ｂ）是候选框数量为１０００时两种算法的召回率对比

（Ｉ倉）卜士学??ＭＡＳＴＥＲ?Ｓ?ＴＨＥＳＩＳ??不同的是，本文网络将ＩｏＬＬ刚Ｓ设置为０．７５，而且在ＮＭＳ方法之后，仅保留２００??个得分排名靠前的区域候选框用于目标检测。图４－２展示了区域候选框分别为??２００和１０００时，在不同的ＩｏＵ＿ＮＭＳ下两种方法的召回率对比，以....

本文编号：4003024