近年來,無人駕駛技術的研究受到越來越廣泛的關注且取得了很大的進步,給汽車的主動安全與智能化提供了更多的可能。泊車的環(huán)境復雜度以及應用可能性相較于其他駕駛技術來說能夠更為簡單的實現(xiàn),然而現(xiàn)有的泊車輔助大多基于多超聲波或多雷達對可泊車區(qū)域進行感知,較高的應用成本使得其并沒有落地于大部分車型。隨著計算機視覺的迅猛發(fā)展,使得成本較低的攝像頭得以在泊車領域得到應用發(fā)展。作為泊車系統(tǒng)的感知、決策、控制三大部分的第一步,感知就是要在泊車時對目標區(qū)域內的車位線進行檢測識別。傳統(tǒng)的圖像目標檢測算法,對于復雜場景的識別準確率低,且較大程度依賴于參數(shù)閾值的設定,相比之下深度卷積神經網絡有著更好的性能與更大的應用潛力和研究前景。雖然泊車時的速度相對較低,但是對于檢測算法的速度實時性也是有著相當高的要求,因而對于算法的優(yōu)化加速也尤為重要。本文的工作主要是對泊車視覺輔助算法進行研究,提出基于CNN的停車位檢測算法,并將算法在PC機上進行驗證演示。本文的主要研究內容有:(1)基于卷積神經網絡的目標檢測算法研究。本文對基于區(qū)域生成的檢測算法以及基于回歸的檢測算法的發(fā)展演變思路做了詳細的梳理。通過實際標注單一場景的車位...

【文章頁數(shù)】：68 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景和意義
    1.2 自動泊車技術與應用研究現(xiàn)狀
        1.2.1 泊車輔助國內外現(xiàn)狀
        1.2.2 視覺目標檢測算法
        1.2.3 神經網絡模型壓縮
    1.3 研究目標和章節(jié)安排
第2章 基于卷積神經網絡的目標檢測算法研究
    2.1 區(qū)域生成的檢測算法分析
    2.2 區(qū)域候選檢測算法改進
    2.3 基于回歸方法的檢測算法分析
    2.4 基于回歸方法的檢測算法改進
    2.5 實驗設計及結果分析
        2.5.1 數(shù)據(jù)集制作與數(shù)據(jù)擴增
        2.5.2 模型構建及參數(shù)調優(yōu)
        2.5.3 模型評價
    2.6 本章小結
第3章 卷積神經網絡的模型壓縮加速
    3.1 低秩近似算法
    3.2 剪枝與稀疏約束算法
    3.3 參數(shù)量化二值網絡
    3.4 蒸餾神經網絡
    3.5 緊湊的網絡結構
    3.6 實驗設計與結果分析
        3.6.1 緊湊小網絡的模型實驗
        3.6.2 參數(shù)量化的模型實驗
    3.7 本章小結
第4章 車位線吻合技術研究
    4.1 車位線吻合技術研究背景
    4.2 聚類算法實現(xiàn)
        4.2.1 聚類算法介紹
        4.2.2 k均值聚類算法
        4.2.3 模糊C均值聚類算法
        4.2.4 算法對比及實驗設計
    4.3 基于OCR改進的車位識別
        4.3.1 多自由度文字檢測方法
        4.3.2 CNN與 RNN結合的檢測方法
    4.4 基于關鍵點的車位檢測
        4.4.1 關鍵點檢測算法背景
        4.4.2 關鍵點檢測算法介紹
    4.5 實驗設計與結果分析
        4.5.1 車位線吻合實驗設計
        4.5.2 關鍵點數(shù)據(jù)集與增廣
        4.5.3 模型構建與參數(shù)調優(yōu)
    4.6 本章小結
第5章 總結與展望
    5.1 本文工作總結
    5.2 研究展望
參考文獻
攻讀學位期間參與課題及成果
致謝



本文編號：3840772