目前,人工智能時(shí)代已經(jīng)到來(lái),各種傳感器制造水平也取得了長(zhǎng)足的進(jìn)步,車輛的智能化水平不斷提高,自動(dòng)駕駛逐漸從幻想變?yōu)楝F(xiàn)實(shí)。感知系統(tǒng)作為車輛獲取道路信息的關(guān)鍵部分,其性能與自動(dòng)駕駛車輛的安全性有著直接關(guān)系。當(dāng)前,自動(dòng)駕駛對(duì)感知的需求正在由二維空間向三維空間演變,這要求感知系統(tǒng)不僅能夠得到道路關(guān)鍵目標(biāo)在空間中的位置,而且還需要知道目標(biāo)的姿態(tài)。目前存在的問題是雙方面的,一方面是如何實(shí)現(xiàn)對(duì)目標(biāo)參數(shù)的精確估計(jì),另一方面是如何保證感知的實(shí)時(shí)性,基于這兩個(gè)問題,本文從圖像、點(diǎn)云以及二者融合的方向進(jìn)行研究,提出了一種基于融合的感知算法,實(shí)現(xiàn)了對(duì)道路障礙物的實(shí)時(shí)精確感知與參數(shù)化分析。本文的主要研究?jī)?nèi)容和成果如下:首先,本文對(duì)基于圖像的視覺感知算法進(jìn)行了研究,設(shè)計(jì)了一個(gè)適用于目標(biāo)檢測(cè)和語(yǔ)義分割的Backbone,在此基礎(chǔ)上構(gòu)建了目標(biāo)檢測(cè)和語(yǔ)義分割模型,通過特征共享,構(gòu)建了二者的聯(lián)合模型,極大地減少了參數(shù)量和計(jì)算量,實(shí)驗(yàn)證明,聯(lián)合模型能夠以較快的速度同時(shí)執(zhí)行目標(biāo)檢測(cè)和語(yǔ)義分割任務(wù),在保證精度的前提下,滿足了實(shí)時(shí)性的要求;然后,本文以Point Net為基礎(chǔ),設(shè)計(jì)了一個(gè)直接處理原始點(diǎn)云的網(wǎng)絡(luò)Point SSD,... 

【文章來(lái)源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁(yè)數(shù)】：77 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

百度ApolloRobotaxi車隊(duì)截至2019年6月，我國(guó)汽車保有量已經(jīng)突破3.5億，汽車帶給人們出行

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文-11-測(cè)B個(gè)邊界框，每個(gè)邊界框的參數(shù)由三部分組成，首先是其坐標(biāo)(x,y,w,h)，(x,y)是邊界框的中心相對(duì)于該網(wǎng)格左上角的偏移，(w,h)是邊界框的長(zhǎng)寬相對(duì)于整幅圖像的長(zhǎng)和寬；然后是邊界框置信度得分，置信度得分反映的是邊界框包含一個(gè)目標(biāo)的置信度和位置預(yù)測(cè)的準(zhǔn)確性；最后是類別分?jǐn)?shù)，類別分?jǐn)?shù)是網(wǎng)格的條件類別概率|Pri（ClassObject）與邊界框的置信度相乘，在物理意義上指的是每個(gè)邊界框的特定類別置信度得分。這樣，網(wǎng)絡(luò)一共預(yù)測(cè)了S*S*B個(gè)邊界框，然后，采用非極大值抑制(Non-MaximumSuppression,NMS)算法去除置信度低的和重疊嚴(yán)重的邊界框，得到最終的檢測(cè)結(jié)果。圖2-1YOLO算法原理圖2.2.2語(yǔ)義分割經(jīng)典算法語(yǔ)義分割是對(duì)圖像中的每個(gè)像素分配一個(gè)標(biāo)簽，即像素級(jí)分類，圖像中具有相同語(yǔ)義信息的像素被分為同一類別，如圖2-2所示。語(yǔ)義分割可以提供對(duì)場(chǎng)景的完整解析，在深度卷積網(wǎng)絡(luò)出現(xiàn)之前，只能提取到一些簡(jiǎn)單的語(yǔ)義，比如類別，深度神經(jīng)網(wǎng)絡(luò)具有提取抽象語(yǔ)義的能力，在這之后，語(yǔ)義分割才真正的應(yīng)用到了各個(gè)領(lǐng)域。圖2-2圖語(yǔ)義分割結(jié)果圖全卷積網(wǎng)絡(luò)FCN是第一個(gè)應(yīng)用深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行語(yǔ)義分割的算法，截至目前出現(xiàn)的各種算法雖然表現(xiàn)性能有所提升，但大都是以FCN為基礎(chǔ)的。顧名思義，F(xiàn)CN是一個(gè)全部由卷積層組成的深度神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)如圖2-

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文-11-測(cè)B個(gè)邊界框，每個(gè)邊界框的參數(shù)由三部分組成，首先是其坐標(biāo)(x,y,w,h)，(x,y)是邊界框的中心相對(duì)于該網(wǎng)格左上角的偏移，(w,h)是邊界框的長(zhǎng)寬相對(duì)于整幅圖像的長(zhǎng)和寬；然后是邊界框置信度得分，置信度得分反映的是邊界框包含一個(gè)目標(biāo)的置信度和位置預(yù)測(cè)的準(zhǔn)確性；最后是類別分?jǐn)?shù)，類別分?jǐn)?shù)是網(wǎng)格的條件類別概率|Pri（ClassObject）與邊界框的置信度相乘，在物理意義上指的是每個(gè)邊界框的特定類別置信度得分。這樣，網(wǎng)絡(luò)一共預(yù)測(cè)了S*S*B個(gè)邊界框，然后，采用非極大值抑制(Non-MaximumSuppression,NMS)算法去除置信度低的和重疊嚴(yán)重的邊界框，得到最終的檢測(cè)結(jié)果。圖2-1YOLO算法原理圖2.2.2語(yǔ)義分割經(jīng)典算法語(yǔ)義分割是對(duì)圖像中的每個(gè)像素分配一個(gè)標(biāo)簽，即像素級(jí)分類，圖像中具有相同語(yǔ)義信息的像素被分為同一類別，如圖2-2所示。語(yǔ)義分割可以提供對(duì)場(chǎng)景的完整解析，在深度卷積網(wǎng)絡(luò)出現(xiàn)之前，只能提取到一些簡(jiǎn)單的語(yǔ)義，比如類別，深度神經(jīng)網(wǎng)絡(luò)具有提取抽象語(yǔ)義的能力，在這之后，語(yǔ)義分割才真正的應(yīng)用到了各個(gè)領(lǐng)域。圖2-2圖語(yǔ)義分割結(jié)果圖全卷積網(wǎng)絡(luò)FCN是第一個(gè)應(yīng)用深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行語(yǔ)義分割的算法，截至目前出現(xiàn)的各種算法雖然表現(xiàn)性能有所提升，但大都是以FCN為基礎(chǔ)的。顧名思義，F(xiàn)CN是一個(gè)全部由卷積層組成的深度神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)如圖2-

【參考文獻(xiàn)】：
博士論文
[1]基于智能計(jì)算的圖像檢索算法研究[D]. 許相莉.吉林大學(xué) 2011

碩士論文
[1]面向自動(dòng)駕駛的雙傳感器信息融合目標(biāo)檢測(cè)及姿態(tài)估計(jì)[D]. 曹培.哈爾濱工業(yè)大學(xué) 2019
[2]基于單目視覺的自動(dòng)駕駛視覺感知算法設(shè)計(jì)[D]. 張迪.華中科技大學(xué) 2019
[3]移動(dòng)機(jī)器人全局定位與運(yùn)動(dòng)目標(biāo)檢測(cè)方法研究[D]. 葛振華.中國(guó)科學(xué)技術(shù)大學(xué) 2018
[4]自動(dòng)駕駛場(chǎng)景下的車輛檢測(cè)技術(shù)研究[D]. 黃鴻勝.廣東工業(yè)大學(xué) 2018
[5]基于卷積神經(jīng)網(wǎng)絡(luò)特征共享與目標(biāo)檢測(cè)的跟蹤算法研究[D]. 李賀.武漢大學(xué) 2017



本文編號(hào)：3526927