近年來,隨著人工智能技術(shù)的發(fā)展與成熟,其應(yīng)用越來越廣泛,自動駕駛則近幾年國內(nèi)外研究團隊對人工智能技術(shù)的一個重點研究方向。車輛檢測是自動駕駛需要完成的首要任務(wù),使用多傳感器融合進行車輛檢測是未來主流的研究方向。針對目前現(xiàn)有的基于多傳感器融合的檢測方案不能滿足應(yīng)用需求的問題,本文提出了新的基于多傳感器融合的解決方案。本文設(shè)計的基于圖像與點云融合的車輛檢測方案主要包括四點研究內(nèi)容:網(wǎng)絡(luò)主體結(jié)構(gòu)、特征提取網(wǎng)絡(luò)、融合算法以及檢測輸出網(wǎng)絡(luò)。為了保證檢測精度,本文設(shè)計了基于兩步法的網(wǎng)絡(luò)主體結(jié)構(gòu),對目標進行兩次預(yù)測。針對輸入的圖像數(shù)據(jù)與點云數(shù)據(jù),本文對兩者的特征提取網(wǎng)絡(luò)分別設(shè)計。圖像數(shù)據(jù)利用改進的VGG16網(wǎng)絡(luò)實現(xiàn)對圖像特征的提取。點云的特征提取網(wǎng)絡(luò)則分兩部分進行設(shè)計,包括體素特征學(xué)習(xí)網(wǎng)絡(luò)與特征提取網(wǎng)絡(luò)。體素特征學(xué)習(xí)網(wǎng)絡(luò)是針對點云三維數(shù)據(jù)格式而設(shè)計的網(wǎng)絡(luò)結(jié)構(gòu),其目的是為了保留數(shù)據(jù)原始的空間信息。將三維數(shù)據(jù)在俯視圖上進行柵格化處理,統(tǒng)計每個柵格內(nèi)各個點的坐標信息。利用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)柵格內(nèi)每個點的特征信息,聚合得到點對點的輸入特征。設(shè)計了基于3D卷積與2D卷積的特征提取網(wǎng)絡(luò),完成對點云數(shù)據(jù)的特征提取。針對生... 

【文章頁數(shù)】：58 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀與分析
        1.2.1 圖像中的檢測方案
        1.2.2 激光點云的目標檢測方案
        1.2.3 圖像與點云融合的目標檢測方案
    1.3 本文主要研究內(nèi)容
第2章 基于卷積神經(jīng)網(wǎng)絡(luò)的目標檢測
    2.1 基于圖像數(shù)據(jù)的目標檢測
        2.1.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.1.2 目標檢測方案
    2.2 基于點云數(shù)據(jù)的目標檢測
    2.3 基于圖像和點云的目標檢測
    2.4 本章小結(jié)
第3章 圖像與點云融合網(wǎng)絡(luò)的設(shè)計與優(yōu)化
    3.1 點云數(shù)據(jù)特征提取網(wǎng)絡(luò)的設(shè)計
        3.1.1 點云體素特征學(xué)習(xí)層
        3.1.2 卷積特征提取層
    3.2 圖像與點云的融合算法設(shè)計
        3.2.1 圖像和點云特征圖的空間變換網(wǎng)絡(luò)
        3.2.2 檢測網(wǎng)絡(luò)輸出特征的融合
    3.3 網(wǎng)絡(luò)損失函數(shù)的設(shè)計
    3.4 本章小結(jié)
第4章 實驗結(jié)果與分析
    4.1 點云特征提取網(wǎng)絡(luò)的實驗結(jié)果
        4.1.1 點云體素特征學(xué)習(xí)層實驗結(jié)果
        4.1.2 點云特征提取網(wǎng)絡(luò)的實驗輸出
    4.2 融合算法驗證實驗
        4.2.1 融合算法的正確性驗證
        4.2.2 融合算法的有效性驗證
    4.3 網(wǎng)絡(luò)訓(xùn)練過程與結(jié)果
        4.3.1 數(shù)據(jù)集的選擇
        4.3.2 網(wǎng)絡(luò)訓(xùn)練過程
        4.3.3 網(wǎng)絡(luò)模型檢測效果評估與分析
    4.4 本章小結(jié)
結(jié)論
參考文獻
致謝


【參考文獻】：
期刊論文
[1]智能無人系統(tǒng)最新研究和應(yīng)用綜述[J]. 崔娟娟,趙鵬,馬文靜,杜輝.  電子世界. 2019(18)
[2]多源信息融合技術(shù)及其應(yīng)用研究[J]. 楊曉梅,張菊玲,趙忠華.  無線互聯(lián)科技. 2019(18)
[3]人工智能在汽車自動駕駛中的應(yīng)用[J]. 張美芳,王羽,鄭碧琪,張凱帆.  汽車工業(yè)研究. 2019(03)
[4]基于改進Faster R-CNN的空中目標檢測[J]. 馮小雨,梅衛(wèi),胡大帥.  光學(xué)學(xué)報. 2018(06)
[5]基于HOG特征和SVM的前向車輛識別方法[J]. 李星,郭曉松,郭君斌.  計算機科學(xué). 2013(S2)

博士論文
[1]單目視覺多行人目標檢測與跟蹤技術(shù)研究[D]. 趙敏.重慶大學(xué) 2010

碩士論文
[1]基于多傳感器融合的誤踩油門輔助系統(tǒng)控制方法研究[D]. 苑警支.吉林大學(xué) 2019
[2]基于深度卷積神經(jīng)網(wǎng)絡(luò)的道路場景物體檢測方法研究[D]. 孫貴賓.北方工業(yè)大學(xué) 2017
[3]基于稀疏表示的管道缺陷超聲復(fù)合陣列成像研究[D]. 李迎雪.江蘇大學(xué) 2017
[4]基于深度學(xué)習(xí)的目標檢測算法研究及應(yīng)用[D]. 萬維.電子科技大學(xué) 2015



本文編號：3714607