近年來,隨著人工智能的興起,自動駕駛技術(shù)越來越受到人們的關(guān)注,其中計(jì)算機(jī)視覺是關(guān)鍵技術(shù)之一。自動駕駛場景中汽車對周圍障礙物的檢測有著極高的要求,為了讓自動駕駛系統(tǒng)能夠識別物體類別、判斷物體形狀、測量物體距離,本文提出了一種基于Mask R-CNN和雙目視覺的物體識別和定位方法,使用雙目圖像對物體進(jìn)行準(zhǔn)確的定位,再使用雙目圖像中的任意一張圖像進(jìn)行物體種類的識別,這兩種方法可以在GPU下并行計(jì)算,達(dá)到了很高的精度與準(zhǔn)實(shí)時(shí)性的要求。目前物體識別系統(tǒng)通常使用特征金字塔(如FPN)來學(xué)習(xí)多尺度表示以獲得更好的結(jié)果,然而,當(dāng)前的特征金字塔設(shè)計(jì)仍然無法有效地整合不同尺度的語義信息。本文對當(dāng)前的特征金字塔提出了一種新的配置架構(gòu)(NFPN),以高度非線性和高效的方式將低級表示與高級語義特征相結(jié)合,采用全局掃描來強(qiáng)調(diào)完整圖像的全局信息,然后進(jìn)行區(qū)域重新配置以在感興趣區(qū)域內(nèi)對局部補(bǔ)丁進(jìn)行建模,該網(wǎng)絡(luò)能夠跨越不同的空間位置和規(guī)模,能較好地識別不同大小的物體類別。在AP和AP^bb中的實(shí)驗(yàn)結(jié)果分別為38.2和39.1。一種領(lǐng)先的立體匹配算法(如VariableCross法)采用固定顏色閾值及...

【文章頁數(shù)】：81 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景和意義
    1.2 自動駕駛的發(fā)展概述
        1.2.1 國外發(fā)展情況
        1.2.2 國內(nèi)發(fā)展情況
    1.3 自動駕駛物體識別技術(shù)
        1.3.1 基于區(qū)域提議(region proposal)的深度學(xué)習(xí)物體識別算法(two-stage)
        1.3.2 基于回歸方法的深度學(xué)習(xí)目標(biāo)識別算法(one-stage)
    1.4 自動駕駛物體定位技術(shù)
        1.4.1 立體匹配算法的分類
            1.4.1.1 全局立體匹配算法
            1.4.1.2 局部立體匹配算法
            1.4.1.3 半全局立體匹配算法
    1.5 主要研究內(nèi)容
    1.6 本文結(jié)構(gòu)安排
第二章 基于Mask R-CNN的物體識別算法
    2.1 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和原理
    2.2 基于NFPN的 Mask R-CNN算法
        2.2.1 FPN的改進(jìn)方法
        2.2.2 Mask R-CNN算法框架
        2.2.3 Mask R-CNN物體識別方法
            2.2.3.1 特征圖生成網(wǎng)絡(luò)NFPN
            2.2.3.2 ROI生成網(wǎng)絡(luò)RPN
            2.2.3.3 分類、回歸和mask的 MRCNN
    2.3 本章小結(jié)
第三章 基于雙目視覺的物體定位算法
    3.1 立體匹配的原理
    3.2 基于雙自適應(yīng)支持窗口的立體匹配算法
        3.2.1 立體匹配算法框架
        3.2.2 立體匹配方法
            3.2.2.1 歸一化的AD與 CT代價(jià)
            3.2.2.2 雙自適應(yīng)支持窗口的代價(jià)聚合
            3.2.2.3 多向掃描線優(yōu)化
            3.2.2.4 視差精細(xì)化
    3.3 定位方法
    3.4 本章小結(jié)
第四章 解決方案和真實(shí)場景中的實(shí)驗(yàn)結(jié)果、分析
    4.1 物體識別和定位解決方案
    4.2 Mask R-CNN實(shí)驗(yàn)結(jié)果及分析
        4.2.1 實(shí)例識別結(jié)果
        4.2.2 邊界框檢測結(jié)果
    4.3 立體匹配實(shí)驗(yàn)結(jié)果及分析
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
致謝
參考文獻(xiàn)
附錄A:攻讀碩士期間的發(fā)表論文目錄及學(xué)術(shù)成果



本文編號：3827276