高速、高精度視覺感知技術(shù)是未來無人駕駛的發(fā)展的必由之路。深度學(xué)習(xí)方法在無人駕駛場景視覺檢測與識別上有其獨特的優(yōu)勢。當(dāng)前,深度學(xué)習(xí)理論已經(jīng)廣泛地應(yīng)用于駕駛環(huán)境障礙物和車道線的檢測識別與語義分割、行人與車輛意圖預(yù)測、交通監(jiān)控、駕駛員狀態(tài)監(jiān)測以及多傳感器信息融合等領(lǐng)域。在眾多的應(yīng)用領(lǐng)域中,快速、高精度的駕駛環(huán)境障礙物檢測與識別及道路語義分割是實現(xiàn)未來安全無人駕駛的先決條件。本文首先分別介紹了基于Windows和Ubuntu操作系統(tǒng)的深度學(xué)習(xí)算法框架搭建,并深入分析了深度學(xué)習(xí)方法中的各類典型數(shù)據(jù)集、網(wǎng)絡(luò)結(jié)構(gòu)和數(shù)值優(yōu)化方法。在此基礎(chǔ)上,本文利用Tensorflow深度學(xué)習(xí)框架,將端到端的YOLOv3算法應(yīng)用于自動駕駛場景的障礙物檢測與識別。不同于區(qū)域建議的方法,該方法將目標(biāo)檢測和識別問題歸結(jié)為回歸問題,僅需要使用單一的網(wǎng)絡(luò)對所獲取圖像做一次評估就能夠獲取圖像中目標(biāo)物的邊界框和類別。因此,其檢測和識別速度較快。然而,該方法相比于區(qū)域推薦類方法,也存在一定的弊端。其定位精度較差,且其在目標(biāo)物較小、目標(biāo)物相距較近的情況下檢測效果較差。實驗證明,該算法能準(zhǔn)確地識別各類自動駕駛環(huán)境中的障礙物,其檢測和識別...

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖1.1無人駕駛場景下的機器視覺問題.（a）語義分割；（b）車道線識別；（c）目標(biāo)識別與跟蹤；（d）多傳感器融合.無人駕駛汽車對真實場景的檢測與識別，核心要解決的問題是算法的檢測速

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文第1章緒論1.1研究背景與意義隨著深度神經(jīng)網(wǎng)絡(luò)算法的不斷進步，攝像機對生活場景的識別和理解能力日益增強（如圖1.1所示），使得無人駕駛汽車真正上路成為可能。目前，國、內(nèi)外已經(jīng)有很多科技企業(yè)和教育研究機構(gòu)的各類型號的無人駕駛汽車完成了不同....

圖1.2RCNN系列算法的步驟示意圖

1.2國內(nèi)外研究現(xiàn)狀1.2.1視覺檢測與識別近些年，自動駕駛視覺算法在應(yīng)用的驅(qū)動下得到了飛速的發(fā)展，眾多優(yōu)秀的算法被提出和應(yīng)用[5-8]。當(dāng)前，學(xué)術(shù)和工業(yè)界應(yīng)用比較多的算法主要是基于深度神經(jīng)網(wǎng)絡(luò)的算法。這些算法大體上可以分為三類：基于區(qū)域建議的算法、基于回歸的算法和基于搜索的....

圖1.3空洞卷積結(jié)構(gòu)示意圖

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文使得網(wǎng)絡(luò)具備了像素級密集預(yù)測能力。該網(wǎng)絡(luò)結(jié)構(gòu)處理速度較像素塊方法更快，且可以使分割圖譜生成任意大小的圖像。傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)中，除了全連接層，池化層也同樣制約分割問題的求解。池化層使圖像丟失部分位置信息，而語義分割需要對精確調(diào)整分割圖譜，從而需要保留池....

圖2.1二維卷積運算示意圖

圖2.1二維卷積運算示意圖Caffe中的卷積運算包含有兩個參數(shù)，思是窗口從現(xiàn)在位置到下一個位置跳過初始數(shù)據(jù)的周圍加上0的圈數(shù)。卷積運算部連接，以減少參數(shù)量防止過擬合。層(Pooling)的聚合，降低空間維數(shù)，意義是減少計絡(luò)的維數(shù)，有效防止過擬合的發(fā)生。池值池化，范數(shù)池....

本文編號：3915980