近年來,人工智能技術(shù)正在以高速發(fā)展的趨勢,滲透于我們生活的方方面面,從無人駕駛到刷臉線上支付,從視頻處理到語音處理,隨處可見的都是人工智能的應(yīng)用。尤其現(xiàn)在隨著大眾生活水平的提高,人們對產(chǎn)品的便捷要求、質(zhì)量要求、舒適度要求以及安全性要求也越來越高,這一點(diǎn)在無人駕駛智能汽車上表現(xiàn)的尤其明顯。而目前對無人駕駛汽車的最大的現(xiàn)實(shí)需求就是使其能夠快速有效安全的感知道路上的行使車輛,因此對基于視覺的道路車輛感知方法進(jìn)行研究是很有現(xiàn)實(shí)意義和作用的,而在基于視覺的道路感知方法研究中,目標(biāo)檢測算法占據(jù)著極其重要的位置,但在傳統(tǒng)的道路車輛檢測方法中,都是2D目標(biāo)檢測,但在實(shí)際的環(huán)境下,道路上的車輛都是呈現(xiàn)3維立體形態(tài)的,僅僅使用2D目標(biāo)檢測,已經(jīng)無法滿足無人駕駛技術(shù)的快速發(fā)展,并且2D目標(biāo)檢測的在檢測精度上的表現(xiàn)也不如3D目標(biāo)檢測。在3D目標(biāo)車輛檢測中,很多前沿的研究者們都是結(jié)合深度學(xué)習(xí)網(wǎng)絡(luò)以及雷達(dá)點(diǎn)云數(shù)據(jù),因?yàn)樯疃葘W(xué)習(xí)網(wǎng)絡(luò)具有很強(qiáng)的自學(xué)習(xí)性和優(yōu)秀的魯棒性,而雷達(dá)點(diǎn)云數(shù)據(jù)則能很好的提供目標(biāo)的深度信息,有助于目標(biāo)的回歸。然而由于雷達(dá)點(diǎn)云數(shù)據(jù)存在這稀疏性和不規(guī)則性的缺點(diǎn),使得在3D目標(biāo)檢測中僅僅使用雷達(dá)點(diǎn)云數(shù)據(jù)... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：78 頁

【學(xué)位級別】：碩士

【部分圖文】：

無人駕駛環(huán)境感知框架

電子科技大學(xué)碩士學(xué)位論文6目前Apollo已經(jīng)開源，以其為例，其中使用的YOLO3D[35]，場景中的目標(biāo)物體是通過一個多任務(wù)的網(wǎng)絡(luò)進(jìn)行檢測的。如ShuranSong等設(shè)計(jì)的DeepSlidingShapes[36]模型，該模型是一種3D的卷積模型，如下圖1-2所示，其網(wǎng)絡(luò)的輸入數(shù)據(jù)包含了兩個部分，一個部分是2D的RGB圖像，另外一個是與該圖像對應(yīng)的景深圖，從圖中可知該模型是利用了一種3D滑動窗口的方式，來對目標(biāo)實(shí)現(xiàn)3D目標(biāo)檢測，得到我們需要的3D檢測框，是一種高效的3D目標(biāo)檢測算法。如在CVPR2017上Momenta提出的DeepMANTA[37]，該方法預(yù)測目標(biāo)車輛特定部件的三維尺寸是通過使用卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)的，然后從已有的三維模型庫中匹配到最為相似的模型，最后是通過模型中的3D關(guān)鍵點(diǎn)和通過在圖像中被檢測出的2D關(guān)鍵點(diǎn)，來進(jìn)行匹配得到目標(biāo)車輛在3D空間中的姿態(tài)，匹配時(shí)用到的匹配方式為PnP匹配。圖1-2網(wǎng)絡(luò)模型(3)只使用雙目相機(jī)作為數(shù)據(jù)輸入盡管我們可以使用單目相機(jī)就可以達(dá)到3D目標(biāo)檢測的目的，但其檢測精度的確很難滿足無人駕駛的需求，而雙目相機(jī)因?yàn)槠渚哂懈S富的信息，使用雙目相機(jī)進(jìn)行3D目標(biāo)檢測可以達(dá)到更好的檢測效果。而且采用雙目相機(jī)進(jìn)行目標(biāo)深度信息提取的時(shí)候，不會回到多尺度問題的影響。雙目數(shù)據(jù)的采集只需要使用雙目相機(jī)就可以獲得，并且使用基于雙目數(shù)據(jù)的3D目標(biāo)檢測相對于基于激光雷達(dá)3D目標(biāo)檢測，在方法上更加容易實(shí)現(xiàn)。如香港科技大學(xué)提出的StereoR-CNN[38]，該算法于2019年發(fā)布在計(jì)算機(jī)視覺領(lǐng)域頂級會議CVPR上，如圖1-3所示，該方法是

ereoR-CNN與2D的FasterR-CNN不同的是，該方法在FasterR-CNN的基礎(chǔ)上額外增加了輸入，其第一步是在雙目圖像中都生成目標(biāo)候選區(qū)域。然后使用不同的分支來對視角、關(guān)鍵點(diǎn)和對象的維度進(jìn)行預(yù)測，其目的是將從左右圖像中得到的2D檢測結(jié)果和預(yù)測得到的關(guān)鍵點(diǎn)相結(jié)合，來大概的得到目標(biāo)的3D候選框區(qū)域，如圖所1-3示，后續(xù)還要細(xì)化3DBoundingbox，細(xì)化的方法是將左右圖像對應(yīng)的感興趣區(qū)域(RegionofInterest，簡稱ROI)通過光度對準(zhǔn)原則進(jìn)行對準(zhǔn)矯正。該方法在性能上與其他比較主流的基于雙目的3D目標(biāo)檢測算法相比，具有很大的優(yōu)勢。圖1-3網(wǎng)絡(luò)結(jié)構(gòu)示意圖(4)將RGB圖像和雷達(dá)點(diǎn)云數(shù)據(jù)聯(lián)合作為輸入如AVOD[39]，AVOD算法的輸入數(shù)據(jù)包括兩部分，第一部分為RGB圖像，第二部分為與該RGB圖像對應(yīng)的激光雷達(dá)點(diǎn)云的BEV（BirdEyeView），然后該算法使用FPN網(wǎng)絡(luò)對輸入的數(shù)據(jù)進(jìn)行處理，得到其全分辨的特征圖，然后將BEV圖像和RGB圖像得到的特征圖對應(yīng)的區(qū)域進(jìn)行融合來提取3D候選框，然后再利用得到的3D候選框進(jìn)行3D目標(biāo)檢測。如MV3D[40]，該算法的數(shù)據(jù)包括了3部分，處了AVOD中RGB圖像和對應(yīng)的點(diǎn)云的鳥瞰圖圖像之外，還包括對應(yīng)的點(diǎn)云的前視圖圖像，首先利用點(diǎn)云的鳥瞰圖通過卷積層得到其特征圖，然后使用該特征圖得到粗略的3D候選框，然后將粗略得到的3D候選框投影在RGB圖像、鳥瞰圖圖像和前視圖圖像得到的特征圖上，得到各視圖下ROI區(qū)域特征，最后將三個ROI區(qū)域特征進(jìn)行融合，得到融合后的特征圖，最后通過該特征圖得到最后精細(xì)化的3D檢測框。綜上所述，目標(biāo)檢測作為基于視覺的道路車輛感知研究方法中的主要組成技術(shù)，已經(jīng)得到了越來越多的廣泛關(guān)注。由于實(shí)際情況下，道路上的車輛是以立體的形式被感知的，所以對基于雷達(dá)數(shù)據(jù)或者圖像數(shù)據(jù)提供景深信息來進(jìn)行3D目標(biāo)?

【參考文獻(xiàn)】：
期刊論文
[1]人工智能綜述[J]. 李玉環(huán).  科技創(chuàng)新導(dǎo)報(bào). 2016(16)
[2]從ADAS系統(tǒng)產(chǎn)業(yè)發(fā)展看未來無人駕駛汽車技術(shù)前景[J]. 陳思宇,烏偉民,童杰,姜海濤,孫志濤.  黑龍江交通科技. 2015(11)
[3]無人駕駛技術(shù)研究及展望[J]. 賈祝廣,孫效玉,王斌,張維國.  礦業(yè)裝備. 2014(05)
[4]深度學(xué)習(xí)研究綜述[J]. 孫志軍,薛磊,許陽明,王正.  計(jì)算機(jī)應(yīng)用研究. 2012(08)



本文編號：3276273