在智能汽車駕駛輔助系統(tǒng)中,環(huán)境感知是其中的重要組成部分,也是智能車獲取周圍環(huán)境態(tài)勢(shì)以及自身行駛狀態(tài)的核心功能。在提高汽車行駛安全性的過(guò)程中,由于視覺(jué)傳感器的價(jià)格低廉可靠、獲取信息豐富,大部分的環(huán)境感知功能都是基于視覺(jué)完成的�；跈C(jī)器視覺(jué)的輔助駕駛系統(tǒng)環(huán)境感知能力決定了智能車規(guī)避障礙物、局部區(qū)間內(nèi)規(guī)劃行車路線的能力,它的實(shí)時(shí)性與準(zhǔn)確性是當(dāng)前研究中的重中之重。論文針對(duì)行車環(huán)境視覺(jué)感知領(lǐng)域中結(jié)構(gòu)化道路及障礙物的特征提取與目標(biāo)檢測(cè)這一核心問(wèn)題,從傳統(tǒng)方法與深度學(xué)習(xí)兩方面進(jìn)行研究。主要內(nèi)容包括:在基于傳統(tǒng)方法的車道線檢測(cè)方面,針對(duì)目前傳統(tǒng)車道線檢測(cè)算法容易受到噪聲和環(huán)境因素干擾,以及大曲率車道不能有效擬合的問(wèn)題,本文提出了一種具有實(shí)時(shí)性的基于遠(yuǎn)近視場(chǎng)的雙曲線模型的車道線檢測(cè)方法。在近視場(chǎng)直線提取中,本文采用了一種新的逆透視變換形式,對(duì)原始圖像進(jìn)行LSD線段檢測(cè),并利用透視圖像和鳥(niǎo)瞰圖圖像之間的亞像素級(jí)空間映射矩陣,將線段坐標(biāo)投影至俯視平面上,有效地減小了生成鳥(niǎo)瞰圖引起的插值誤差,并消除了生成時(shí)間。其次,本文利用DBSCAN對(duì)車道邊緣線段進(jìn)行聚類,設(shè)計(jì)了一種聚類元素融合方法,并在約束條件下提取聚類...

【文章頁(yè)數(shù)】：126 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 智能汽車研究現(xiàn)狀
        1.2.1 傳統(tǒng)智能車載平臺(tái)
        1.2.2 無(wú)人機(jī)伴飛智能汽車平臺(tái)
    1.3 視覺(jué)環(huán)境感知的關(guān)鍵技術(shù)
        1.3.1 道路檢測(cè)
        1.3.2 目標(biāo)識(shí)別
        1.3.3 多目標(biāo)跟蹤
        1.3.4 場(chǎng)景語(yǔ)義理解
    1.4 論文主要研究?jī)?nèi)容
    1.5 論文章節(jié)安排
第2章 基于雙曲線模型的車道線檢測(cè)
    2.1 引言
    2.2 傳統(tǒng)結(jié)構(gòu)化道路車道線檢測(cè)方法
        2.2.1 基于特征的車道線檢測(cè)算法
        2.2.2 基于模型的車道線檢測(cè)算法
    2.3 近視場(chǎng)直線處理
        2.3.1 基于LSD的近視場(chǎng)直線檢測(cè)
        2.3.2 基于坐標(biāo)映射的逆透視變換
        2.3.3 基于幾何特征的線段聚類
    2.4 遠(yuǎn)視場(chǎng)車道線擬合
        2.4.1 LOG邊緣檢測(cè)
        2.4.2 基于雙曲線模型的曲線擬合
    2.5 實(shí)驗(yàn)與分析
        2.5.1 實(shí)驗(yàn)設(shè)定
        2.5.2 實(shí)驗(yàn)參數(shù)
        2.5.3 結(jié)果分析
    2.6 本章小結(jié)
第3章 基于端到端結(jié)構(gòu)的車道結(jié)構(gòu)檢測(cè)方法
    3.1 引言
    3.2 基于深度學(xué)習(xí)的車道檢測(cè)研究概述
        3.2.1 基于特征提取的深度學(xué)習(xí)方法
        3.2.2 基于像素分類的深度學(xué)習(xí)方法
        3.2.3 注意力機(jī)制
    3.3 基于IBN優(yōu)化訓(xùn)練和注意力機(jī)制的端到端車道線檢測(cè)
        3.3.1 FCN-VGG16全卷積神經(jīng)網(wǎng)絡(luò)
        3.3.2 基于IBN結(jié)構(gòu)改進(jìn)的卷積階段
        3.3.3 注意力機(jī)制嵌入
        3.3.4 網(wǎng)絡(luò)結(jié)構(gòu)
        3.3.5 損失函數(shù)
    3.4 實(shí)驗(yàn)與分析
        3.4.1 實(shí)驗(yàn)數(shù)據(jù)集
        3.4.2 實(shí)驗(yàn)設(shè)置
        3.4.3 實(shí)驗(yàn)結(jié)果與對(duì)比
    3.5 本章小結(jié)
第4章 基于深度學(xué)習(xí)的道路場(chǎng)景語(yǔ)義分割
    4.1 引言
    4.2 語(yǔ)義分割相關(guān)技術(shù)介紹
        4.2.1 深度殘差網(wǎng)絡(luò)
        4.2.2 Inception模塊
        4.2.3 特征金字塔FPN
    4.3 主要算法
        4.3.1 無(wú)池化結(jié)構(gòu)
        4.3.2 多尺度疊加模塊
        4.3.3 網(wǎng)絡(luò)結(jié)構(gòu)
    4.4 實(shí)驗(yàn)與分析
        4.4.1 實(shí)驗(yàn)設(shè)置
        4.4.2 實(shí)驗(yàn)數(shù)據(jù)集
        4.4.3 實(shí)驗(yàn)結(jié)果
    4.5 本章小結(jié)
第5章 基于顯著性檢測(cè)的實(shí)時(shí)無(wú)人機(jī)對(duì)地車輛檢測(cè)
    5.1 引言
    5.2 研究現(xiàn)狀
    5.3 基于改進(jìn)Frequency-tuned方法的快速車輛感興趣區(qū)域確定
        5.3.1 顏色空間的快速轉(zhuǎn)換優(yōu)化
        5.3.2 基于Lab空間的顯著性區(qū)域檢測(cè)
        5.3.3 優(yōu)化結(jié)果
    5.4 車輛目標(biāo)感興趣區(qū)域分割方法
    5.5 基于水平車輛波的車輛區(qū)域確定方法
    5.6 實(shí)驗(yàn)與分析
        5.6.1 實(shí)驗(yàn)設(shè)置
        5.6.2 實(shí)驗(yàn)數(shù)據(jù)集
        5.6.3 評(píng)價(jià)指標(biāo)
        5.6.4 實(shí)驗(yàn)結(jié)果與對(duì)比
    5.7 本章小結(jié)
第6章 總結(jié)和展望
參考文獻(xiàn)
作者簡(jiǎn)介及其在學(xué)期間所取得的科研成果
致謝



本文編號(hào)：3875391