無人駕駛技術(shù)是通過車載感知、定位、計算、控制設(shè)備,自動安全地操作無人車按照規(guī)定路線運行的技術(shù),涉及人工智能、計算機(jī)視覺、自動控制等技術(shù)的綜合運用。其中,基于計算機(jī)視覺的道路元素檢測是無人駕駛設(shè)備感知道路環(huán)境、做出控制決策的核心技術(shù),關(guān)系到設(shè)備行駛的安全性和高效性。為實現(xiàn)準(zhǔn)確的道路元素檢測技術(shù),本文深入分析了道路元素的視覺特性,提出了一系列基于深度學(xué)習(xí)的道路元素檢測方法,大幅提高了自動駕駛場景下道路元素檢測的準(zhǔn)確率。本文關(guān)注于道路元素的三個主要類型:交通標(biāo)志、行人、道路路面。因為三種道路元素具有獨特的視覺特點,檢測算法也面臨著不同的挑戰(zhàn):1)交通標(biāo)志通常具有較小的可視面積,不同交通標(biāo)志具有不同的形狀、大小、顏色;2)行人因距離不同、行為多樣,存在尺度變化大、易產(chǎn)生遮擋等問題;3)道路路面由于鋪設(shè)材料、使用時間、道路等級等不同,通常具有不同的視覺特征,對檢測模型的泛化能力帶來極大挑戰(zhàn)。針對上述挑戰(zhàn),本文分別針對交通標(biāo)志、行人、路面設(shè)計了有效的檢測方法:首先,我們提出了一種面向小目標(biāo)的局部上下文網(wǎng)絡(luò)學(xué)習(xí)道路圖像中的多尺度局部特征,提高了野外和城市交通標(biāo)志分別的檢測準(zhǔn)確率;然后,我們設(shè)計了一種... 

【文章來源】：北京郵電大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：57 頁

【學(xué)位級別】：碩士

【部分圖文】：

自動駕駛場景下的交通標(biāo)志

?北京郵電大學(xué)工學(xué)碩士學(xué)位論文Ｒ－ＣＮＮ框架。如圖３－２所示，ＦａｓｔｅｒＲ－ＣＮＮ包括兩個階段，在第一階段，ＲＰＮ（區(qū)域生成網(wǎng)絡(luò)）由全卷積網(wǎng)絡(luò)構(gòu)成，用來預(yù)測作為目標(biāo)對象的位置定位和評分根據(jù)得分，選框在多個尺寸的參考框（錨）的邊界框之間選擇。在第二階段，第一階段產(chǎn)生的提案的特征由ＲＯＩ池化層從特征提取器中裁剪出來。然后連全連接層，以預(yù)測每個邊界框的類別和特定類別的邊界框位置。另外，這兩個段有多任務(wù)損失，一個是邊界框回歸，另一個是類別分類。??原圖特征

ｎ?特征提取??＾ｙ／??Ｐ?？?／?／Ｖ?區(qū)域生成??類別分類??邊界框回歸??圖?３－２?Ｆａｓｔｅｒ?ＲＣＮＮ?架構(gòu)??－ＦＣＮ檢測技術(shù)??ＦＣＮ是繼Ｆａｓｔｅｒ?Ｒ－ＣＮＮ之后的又一典型方法，它遵循由區(qū)域建議和成的兩階段目標(biāo)檢測策略。Ｒ－ＦＣＮ相比于ＦａｓｔｅｒＲ－ＣＮＮ，是一種采裁剪方法的全卷積網(wǎng)絡(luò)。如圖３－３所示，在階段１中，Ｒ－ＦＣＮ中的ＲｅｒＲ－ＣＮＮ相同。在階段２中，原始ＲＯＩ池化層被Ｒ－ＦＣＮ頂部的位置化層所取代。該層從位置敏感的分?jǐn)?shù)圖中提取信息。分?jǐn)?shù)圖通過一組層對位置信息進(jìn)行編碼。結(jié)果表明，使用ＲｅｓｎｅｔｌＯｌ網(wǎng)絡(luò)的Ｒ－ＦＣＮ的運行時間內(nèi)獲得與ＦａｓｔｅｒＲ－ＣＮＮ相當(dāng)?shù)木取??原閣７??


本文編號：3145203