近年來(lái),隨著人工智能技術(shù)的發(fā)展與成熟,其應(yīng)用越來(lái)越廣泛,自動(dòng)駕駛則近幾年國(guó)內(nèi)外研究團(tuán)隊(duì)對(duì)人工智能技術(shù)的一個(gè)重點(diǎn)研究方向。車輛檢測(cè)是自動(dòng)駕駛需要完成的首要任務(wù),使用多傳感器融合進(jìn)行車輛檢測(cè)是未來(lái)主流的研究方向。針對(duì)目前現(xiàn)有的基于多傳感器融合的檢測(cè)方案不能滿足應(yīng)用需求的問(wèn)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(jì)的基于圖像與點(diǎn)云融合的車輛檢測(cè)方案主要包括四點(diǎn)研究?jī)?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(cè)輸出網(wǎng)絡(luò)。為了保證檢測(cè)精度,本文設(shè)計(jì)了基于兩步法的網(wǎng)絡(luò)主體結(jié)構(gòu),對(duì)目標(biāo)進(jìn)行兩次預(yù)測(cè)。針對(duì)輸入的圖像數(shù)據(jù)與點(diǎn)云數(shù)據(jù),本文對(duì)兩者的特征提取網(wǎng)絡(luò)分別設(shè)計(jì)。圖像數(shù)據(jù)利用改進(jìn)的VGG16網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)圖像特征的提取。點(diǎn)云的特征提取網(wǎng)絡(luò)則分兩部分進(jìn)行設(shè)計(jì),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(duì)點(diǎn)云三維數(shù)據(jù)格式而設(shè)計(jì)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(jìn)行柵格化處理,統(tǒng)計(jì)每個(gè)柵格內(nèi)各個(gè)點(diǎn)的坐標(biāo)信息。利用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)柵格內(nèi)每個(gè)點(diǎn)的特征信息,聚合得到點(diǎn)對(duì)點(diǎn)的輸入特征。設(shè)計(jì)了基于3D卷積與2D卷積的特征提取網(wǎng)絡(luò),完成對(duì)點(diǎn)云數(shù)據(jù)的特征提取。針對(duì)生... 

【文章頁(yè)數(shù)】：58 頁(yè)

【學(xué)位級(jí)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(guó)內(nèi)外研究現(xiàn)狀與分析
        1.2.1 圖像中的檢測(cè)方案
        1.2.2 激光點(diǎn)云的目標(biāo)檢測(cè)方案
        1.2.3 圖像與點(diǎn)云融合的目標(biāo)檢測(cè)方案
    1.3 本文主要研究?jī)?nèi)容
第2章 基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)
    2.1 基于圖像數(shù)據(jù)的目標(biāo)檢測(cè)
        2.1.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.1.2 目標(biāo)檢測(cè)方案
    2.2 基于點(diǎn)云數(shù)據(jù)的目標(biāo)檢測(cè)
    2.3 基于圖像和點(diǎn)云的目標(biāo)檢測(cè)
    2.4 本章小結(jié)
第3章 圖像與點(diǎn)云融合網(wǎng)絡(luò)的設(shè)計(jì)與優(yōu)化
    3.1 點(diǎn)云數(shù)據(jù)特征提取網(wǎng)絡(luò)的設(shè)計(jì)
        3.1.1 點(diǎn)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(diǎn)云的融合算法設(shè)計(jì)
        3.2.1 圖像和點(diǎn)云特征圖的空間變換網(wǎng)絡(luò)
        3.2.2 檢測(cè)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(jì)
    3.4 本章小結(jié)
第4章 實(shí)驗(yàn)結(jié)果與分析
    4.1 點(diǎn)云特征提取網(wǎng)絡(luò)的實(shí)驗(yàn)結(jié)果
        4.1.1 點(diǎn)云體素特征學(xué)習(xí)層實(shí)驗(yàn)結(jié)果
        4.1.2 點(diǎn)云特征提取網(wǎng)絡(luò)的實(shí)驗(yàn)輸出
    4.2 融合算法驗(yàn)證實(shí)驗(yàn)
        4.2.1 融合算法的正確性驗(yàn)證
        4.2.2 融合算法的有效性驗(yàn)證
    4.3 網(wǎng)絡(luò)訓(xùn)練過(guò)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(guò)程
        4.3.3 網(wǎng)絡(luò)模型檢測(cè)效果評(píng)估與分析
    4.4 本章小結(jié)
結(jié)論
參考文獻(xiàn)
致謝


【參考文獻(xiàn)】：
期刊論文
[1]智能無(wú)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(wú)線互聯(lián)科技. 2019(18)
[3]人工智能在汽車自動(dòng)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(jìn)Faster R-CNN的空中目標(biāo)檢測(cè)[J]. 馮小雨,梅衛(wèi),胡大帥.  光學(xué)學(xué)報(bào). 2018(06)
[5]基于HOG特征和SVM的前向車輛識(shí)別方法[J]. 李星,郭曉松,郭君斌.  計(jì)算機(jī)科學(xué). 2013(S2)

博士論文
[1]單目視覺(jué)多行人目標(biāo)檢測(cè)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(chǎng)景物體檢測(cè)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(biāo)檢測(cè)算法研究及應(yīng)用[D]. 萬(wàn)維.電子科技大學(xué) 2015



本文編號(hào)：3714607