隨著汽車行業(yè)的快速發(fā)展,自動駕駛成為近年來的研究熱點(diǎn),車道線分割以及道路檢測是自動駕駛系統(tǒng)非常重要的研究領(lǐng)域。傳統(tǒng)的車道線分割以及車道檢測方法通常需要根據(jù)不同場景通過人工選擇特征,難以應(yīng)對復(fù)雜多變的道路環(huán)境。深度學(xué)習(xí)方法的廣泛發(fā)展,加速了車道線分割以及道路檢測的研究進(jìn)程。因此,本文對基于深度學(xué)習(xí)的車道檢測方法進(jìn)行研究,主要包括車道線語義分割以及車道檢測兩個(gè)部分。首先介紹本論文涉及到的基礎(chǔ)理論及相關(guān)技術(shù),主要包括深度神經(jīng)網(wǎng)絡(luò)的前向、后向傳播算法、激活函數(shù)、卷積以及池化等,以便為后續(xù)章節(jié)的研究內(nèi)容做鋪墊;其次為了改善目前的卷積神經(jīng)網(wǎng)絡(luò)在復(fù)雜環(huán)境下的道路分割精度較低的問題,基于編解碼網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)建了車道線語義分割網(wǎng)絡(luò)。針對普通卷積神經(jīng)網(wǎng)絡(luò)由于池化層的存在而造成細(xì)節(jié)信息丟失的問題,采用空洞卷積和空間金字塔池化相結(jié)合的方式,在增大感受野、不降低分辨率的同時(shí)融合多尺度的特征信息,以此提高網(wǎng)絡(luò)的分割性能;并從損失函數(shù)、網(wǎng)絡(luò)模塊以及不同網(wǎng)絡(luò)三個(gè)方面入手設(shè)計(jì)對比實(shí)驗(yàn),以選取適用于車道線分割任務(wù)的損失函數(shù)、驗(yàn)證各網(wǎng)絡(luò)模塊對網(wǎng)絡(luò)性能的影響并證明了該分割網(wǎng)絡(luò)性能的優(yōu)越性,即使在環(huán)境較為復(fù)雜甚至瞬時(shí)變化較大的情況... 

【文章來源】：哈爾濱理工大學(xué)黑龍江省

【文章頁數(shù)】：60 頁

【學(xué)位級別】：碩士

【圖文】：

國內(nèi)外代表性無人車

哈爾濱理工大學(xué)工程碩士學(xué)位論文-8-第2章基礎(chǔ)理論本章圍繞論文內(nèi)容涉及到的相關(guān)基礎(chǔ)及技術(shù)進(jìn)行詳細(xì)介紹。主要包含深度神經(jīng)網(wǎng)絡(luò)的前向、后向傳播算法、激活函數(shù)、卷積以及池化等內(nèi)容。2.1深度神經(jīng)網(wǎng)絡(luò)基礎(chǔ)2.1.1前饋神經(jīng)網(wǎng)絡(luò)前饋神經(jīng)網(wǎng)絡(luò)(FeedforwardNeuralNetwork，F(xiàn)NN)[48]，由多個(gè)感知機(jī)連接構(gòu)成。感知機(jī)接收多個(gè)輸入信號，輸出一個(gè)信號。其基礎(chǔ)組成部分為神經(jīng)元，感知機(jī)的神經(jīng)元模型如圖2-1所示。圖2-1單個(gè)神經(jīng)元模型其中，123,,...nxxxx為神經(jīng)元輸入，b1為偏執(zhí)，經(jīng)過神經(jīng)元后，最終的輸出可以表示為：3,1()TwbiiihxfWxfWxb(2-1)各神經(jīng)元從輸入層開始，接收前一級輸入，并輸出到下一級，直至輸出層。眾多的感知機(jī)結(jié)構(gòu)構(gòu)成了前饋神經(jīng)網(wǎng)絡(luò)，其基本結(jié)構(gòu)如圖2-2所示。網(wǎng)絡(luò)由多層神經(jīng)元連接，神經(jīng)元之間不進(jìn)行傳輸，網(wǎng)絡(luò)數(shù)據(jù)的傳輸方向?yàn)閺那暗胶蠡蛘邚暮蟮角暗膯蜗蛄鲃�。起始與結(jié)尾的網(wǎng)絡(luò)層分別為輸入層與輸出層，中間為隱藏層，隱藏層的數(shù)量可以隨網(wǎng)絡(luò)的需要增加。為了更簡單的表達(dá)網(wǎng)絡(luò)模型結(jié)構(gòu)，只畫出一層隱藏層。在圖2-2的模型結(jié)構(gòu)中，iL表示網(wǎng)絡(luò)的層數(shù)，ls表示第l層神經(jīng)元個(gè)數(shù)，

哈爾濱理工大學(xué)工程碩士學(xué)位論文-9-(l)ia表示第l層第i個(gè)神經(jīng)元的輸出。對于給定參數(shù)集合W,b，神經(jīng)網(wǎng)絡(luò)就可以按照函數(shù),()Wbhx來計(jì)算輸出結(jié)果。圖2-2神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖本例神經(jīng)網(wǎng)絡(luò)的前向傳播的公式為：(2)(1)(1)(1)(1)11111221331afWxWxWxb(2-2)(2)(1)(1)(1)(1)22112222332afWxWxWxb(2-3)(2)(1)(1)(1)(1)33113223333afWxWxWxb(2-4)(3)(2)(2)(2)(2)(2)(2)(2),11111221331()WbhxafWaWaWab(2-5)上式中f()表示神經(jīng)元的激活函數(shù)，神經(jīng)網(wǎng)絡(luò)參數(shù)為(1)(1)(2)(2)(W,b)W,b,W,b，1()lllssWR表示第l層到l+1層的權(quán)重矩陣，1()llsbR表示第l層到l+1層的偏執(zhí)，(l)slaR表示第l層的輸出。由于()llszR表示第l的輸入，(l)iz表示第l層第i個(gè)神經(jīng)元的輸入，將激活函數(shù)f()擴(kuò)展為用向量來表示，即123123fz,z,zfz,fz,fz，上述公式可簡化為：(2)(1)(1)zWxb(2-6)(2)(2)afz(2-7)(3)(2)(2)(2)zWab(2-8)(3)(3),()wbhxafz(2-9)

【參考文獻(xiàn)】：
期刊論文
[1]Advances in Vision-Based Lane Detection:Algorithms,Integration,Assessment,and Perspectives on ACP-Based Parallel Vision[J]. Yang Xing,Chen Lv,Long Chen,Huaji Wang,Hong Wang,Dongpu Cao,Efstathios Velenis,Fei-Yue Wang.  IEEE/CAA Journal of Automatica Sinica. 2018(03)
[2]自動駕駛汽車的概況與發(fā)展[J]. 許子明.  科技風(fēng). 2018(08)
[3]深度學(xué)習(xí)在無人駕駛汽車領(lǐng)域應(yīng)用的研究進(jìn)展[J]. 王科俊,趙彥東,邢向磊.  智能系統(tǒng)學(xué)報(bào). 2018(01)
[4]無人駕駛汽車研究綜述與發(fā)展展望[J]. 潘福全,亓榮杰,張璇,張麗霞.  科技創(chuàng)新與應(yīng)用. 2017(02)
[5]深度學(xué)習(xí)在無人駕駛汽車中的應(yīng)用[J]. 孫皓天.  電腦知識與技術(shù). 2015(24)
[6]無人駕駛汽車的發(fā)展現(xiàn)狀及方向[J]. 喬維高,徐學(xué)進(jìn).  上海汽車. 2007(07)
[7]前饋神經(jīng)網(wǎng)絡(luò)的特性分析與應(yīng)用[J]. 張慶年.  武漢交通科技大學(xué)學(xué)報(bào). 1999(04)



本文編號：3490647