隨著人工智能技術(shù)的發(fā)展,智能汽車成為新一輪科技變革的重要方向。車輛檢測(cè)與測(cè)距系統(tǒng)作為智能車的重要組成部分,對(duì)于提高智能車的安全性和可靠性具有重要意義。車輛檢測(cè)是車輛測(cè)距的前提和基礎(chǔ),本文針對(duì)復(fù)雜道路場(chǎng)景提出了基于增強(qiáng)YOLO v3的車輛檢測(cè)算法;車輛測(cè)距是車輛檢測(cè)的上層應(yīng)用,本文提出了基于邊緣寬度回歸的車輛測(cè)距算法和基于圖像深度估計(jì)的車輛測(cè)距算法。本文針對(duì)傳統(tǒng)車輛檢測(cè)方法在復(fù)雜道路場(chǎng)景誤檢率高,魯棒性差等不足,利用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)強(qiáng)大的特征學(xué)習(xí)和表達(dá)能力提高了檢測(cè)精度�？紤]到準(zhǔn)確性和實(shí)時(shí)性,本文基于通用物體檢測(cè)算法YOLO v3,結(jié)合車輛檢測(cè)的場(chǎng)景,提出了增強(qiáng)YOLO v3算法,聚類計(jì)算最優(yōu)anchor框數(shù)目,利用車輛分類數(shù)據(jù)集進(jìn)行二次預(yù)訓(xùn)練和整體模型多尺度訓(xùn)練,在復(fù)雜道路場(chǎng)景下取得了89%AP(Average Precision)的準(zhǔn)確率,比YOLO v3 算法提高6%AP準(zhǔn)確率。針對(duì)傳統(tǒng)測(cè)距算法需要進(jìn)行人工相機(jī)標(biāo)定、道路建模、俯仰角測(cè)量等實(shí)用性差的缺點(diǎn),本文提出了基于邊緣寬度回歸的車輛測(cè)距算法,根據(jù)回歸分析理論,建立...

【文章頁(yè)數(shù)】：83 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－２感興趣區(qū)域??

性等多特征融合的方式提高檢測(cè)精度。??灰度化二濾波閾值分割１＾＃提■檢測(cè)車輛??圖２－１基于車輛底部陰影的車輛檢測(cè)步驟??基于車輛底部陰影的車輛檢測(cè)方法主要步驟如圖２－１所示，首先提取感興趣??區(qū)域ＲＯＩ，然后對(duì)所提取的圖像灰度化，濾波去除圖像中的噪聲，對(duì)圖像進(jìn)行閾??值分割去除....

圖２－３灰度化和去噪后圖片??

?（ｂ）??圖２－３灰度化和去噪后圖片??如圖２－３所示，（ａ）圖為灰度化后圖片，（ｂ）圖為３Ｘ３高斯濾波后的圖片，濾??波后的圖片更為平滑。??在進(jìn)行陰影檢測(cè)之前，應(yīng)當(dāng)將灰度圖像轉(zhuǎn)化為二值圖像，使圖像只有黑白兩??種顏色。閾值分割是一種最基本的分割方法，該方法計(jì)算簡(jiǎn)單，且可以使....

圖２－４閾值分割，陰影檢測(cè)，車輛檢測(cè)示意圖??在對(duì)圖像進(jìn)行閾值分割后，圖像中灰度值為零的黑色區(qū)域?yàn)殛幱皺z測(cè)的候選??區(qū)域，然后逐行對(duì)圖像進(jìn)行掃描，計(jì)算每行中像素為零的連續(xù)的像素點(diǎn)個(gè)數(shù)，當(dāng)??

方差可以衡量灰度值分布是否均勻，當(dāng)目標(biāo)和背景的灰度值相差越大，則方??差越大，如果出現(xiàn)誤分，則會(huì)導(dǎo)致兩部分的方差值減小，因此本文采用計(jì)算類間??最大方差的方式對(duì)灰度圖進(jìn)行分割，如圖２－４（ａ）所示。??（ａ）??（ｂ）??（ｃ）??圖２－４閾值分割，陰影檢測(cè)，車輛檢測(cè)示意圖??在....

圖２－５坐標(biāo)系轉(zhuǎn)換示意圖??

４個(gè)坐標(biāo)系的轉(zhuǎn)換，分別是世界坐標(biāo)系，相機(jī)坐標(biāo)系，成像平面坐標(biāo)系，像素坐??標(biāo)系。相機(jī)成像的過(guò)程最簡(jiǎn)單的模型是針孔成像模型，不同視角的坐標(biāo)系轉(zhuǎn)換如??圖２－５所示。??世界坐標(biāo)系：：二＇＇相機(jī)坐標(biāo)系＿成像嚴(yán)面ｆ示系像聲坐ｆ系??（Ｘｗ．｝Ｊｒ．Ｚｗ）?（ＡＣ．１Ｃ；ＺＣ）?（Ｘ，）....

本文編號(hào)：3906866