無人自主系統(tǒng)（UAS）是無人車、無人機(jī)等無人自主設(shè)備在移動場景中執(zhí)行任務(wù)的重要的支撐系統(tǒng)。圖像分割是這類UAS系統(tǒng)環(huán)境感知、路徑規(guī)劃和任務(wù)執(zhí)行的關(guān)鍵前提。因此,面向UAS場景的圖像分割相關(guān)技術(shù)研究具有十分重要的理論意義和應(yīng)用價值。本文針對車載和機(jī)載應(yīng)用場景,提出了一種基于深度學(xué)習(xí)的實(shí)時圖像分割方法,設(shè)計(jì)并實(shí)現(xiàn)了應(yīng)用于UAS自然場景的圖像分割系統(tǒng)。主要工作如下:（1）針對UAS的自然場景的道路和天空分割問題,構(gòu)建了自然場景圖像的數(shù)據(jù)集。并采用Labelme技術(shù)對自然場景圖像中的道路和天空進(jìn)行標(biāo)注,建立了適合本文方案的語義標(biāo)簽。（2）針對UAS的自然場景圖像的特點(diǎn)和網(wǎng)絡(luò)通暢情況,提出了一種以深度學(xué)習(xí)為基礎(chǔ)的圖像分割算法。具體由云端遠(yuǎn)程圖像分割算法和智能移動終端圖像分割算法構(gòu)成。云端遠(yuǎn)程圖像分割算法采用Kitti Seg數(shù)據(jù)集訓(xùn)練FCN8-VGG16網(wǎng)絡(luò)架構(gòu)。實(shí)驗(yàn)仿真結(jié)果表明,其F1值相對Marvin Techmann提升了4%以上,該算法可有效對道路、天空這兩類的自然場景進(jìn)行圖像分割。在移動端采用U-Net網(wǎng)絡(luò)架構(gòu),實(shí)現(xiàn)智能移動終端的圖像分割算法。實(shí)驗(yàn)仿真結(jié)果表明,該方法的數(shù)據(jù)集圖像分割的... 

【文章來源】：河南大學(xué)河南省

【文章頁數(shù)】：58 頁

【學(xué)位級別】：碩士

【部分圖文】：

全卷積神經(jīng)網(wǎng)絡(luò)原理圖

面向UAS場景圖像分割的深度學(xué)習(xí)算法研究與應(yīng)用18運(yùn)用比較多的CNN模型，VGG16的模型圖如圖3-1所示。從圖中可以看出VGG16處理圖像的優(yōu)良性，但平時的CNN方法需要花費(fèi)更多的時間和精力對原本的處理結(jié)果進(jìn)行再度處理，VGG16對處理圖像更加細(xì)節(jié)便利，還不浪費(fèi)時間。因此，本論文選擇VGG16來進(jìn)行研究分析。VGG16網(wǎng)絡(luò)由于其優(yōu)良的計(jì)算特性在復(fù)雜不容易解決的神經(jīng)網(wǎng)絡(luò)中進(jìn)行圖像處理。它在大規(guī)模視覺識別挑戰(zhàn)賽中獲得了最優(yōu)秀的分類性能獎。VGG16包括16個權(quán)重層（由卷積層構(gòu)成）和5個最大池化層（池化窗口2×2，池化步長為1）。最大池化層把13層卷積層變成5個區(qū)域，第1和第2區(qū)域都有2個卷積層，第3到第5區(qū)域各自有3個卷積層。每個區(qū)域里面卷積層的核通道數(shù)都一樣，網(wǎng)絡(luò)層的深淺決定了通道數(shù)的多少。第4和第5區(qū)域通道數(shù)比較多，分別高達(dá)256和512個，但是第2區(qū)域和第3區(qū)域的通道數(shù)比較少，分別只有64和128個。這說明了卷積層網(wǎng)絡(luò)越深，通道數(shù)量越多。VGG16網(wǎng)絡(luò)有3×3的卷積核，且卷積步長為1，池化層把經(jīng)過卷積層處理后的圖像進(jìn)行再處理，降采樣僅僅變成原來的二分之一。16個權(quán)重層里還有3層全連接層，它們位于13層卷積層和所有最大池化層之后，均有各自明確的分工。其中前2層功能相當(dāng)于圖像抽象特征，第3層功能為整理類別。神經(jīng)元個數(shù)不是固定不變的，它的多少跟數(shù)據(jù)的分類數(shù)量有關(guān)，文獻(xiàn)[54]中的神經(jīng)元個數(shù)為1000，而且VGG16網(wǎng)絡(luò)中還可以通過Softmax激活函數(shù)將結(jié)果進(jìn)行再處理。VGG用它優(yōu)良的性能證明了網(wǎng)絡(luò)深淺對算法有不可磨滅的影響。由于不同數(shù)量相同尺寸大小的卷積層堆疊出來的感受野不同，為了達(dá)到保持感受野大小不變的效果，可以讓幾個小尺寸卷積層堆疊起來。圖3-1VGG16模型圖

TernausNet[59]模型也是一種編碼器-解碼器體系結(jié)構(gòu)，它使用 VGG 網(wǎng)絡(luò)，包含 11 個順序?qū)幼鳛槠渚幋a器。實(shí)驗(yàn)結(jié)果表明，在 ImageNet 上預(yù)先訓(xùn)練的 VGG 網(wǎng)絡(luò)達(dá)到了提高U-Net 網(wǎng)絡(luò)性能的目的，具有相對較好的圖像分割性能。這三種（FCN8、FCN32、SegNet）利用具有不同連續(xù)層數(shù)的 VGG 網(wǎng)絡(luò)，說明了 VGG 網(wǎng)絡(luò)結(jié)構(gòu)層次。 3.2.2 KittiSeg 數(shù)據(jù)集 本文在進(jìn)行數(shù)據(jù)集的標(biāo)注時采用的軟件是 Labelme，用 Labelme 技術(shù)對 KittiSeg 數(shù)據(jù)集和 CamVid 數(shù)據(jù)集進(jìn)行標(biāo)注。Labelme 是麻省理工（MIT）的計(jì)算機(jī)科學(xué)和人工智能實(shí)驗(yàn)室（CSAIL）研發(fā)的圖像標(biāo)注工具。

【參考文獻(xiàn)】：
期刊論文
[1]美國防部《無人系統(tǒng)綜合路線圖》分析[J]. 王杰東,劉北,董強(qiáng)健.  飛航導(dǎo)彈. 2019(05)
[2]基于全卷積神經(jīng)網(wǎng)絡(luò)與條件隨機(jī)場的車道識別方法[J]. 葉子豪,孫銳,王慧慧.  光電工程. 2019(02)
[3]云計(jì)算與信息資源共享管理機(jī)制[J]. 鐘瑛.  電子技術(shù)與軟件工程. 2019(02)
[4]基于TensorFlow的移動終端圖像識別方法[J]. 熊亞蒙.  無線互聯(lián)科技. 2018(21)
[5]組合全卷積神經(jīng)網(wǎng)絡(luò)和條件隨機(jī)場的道路分割[J]. 宋青松,張超,陳禹,王興莉,楊小軍.  清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(08)
[6]智能無人自主系統(tǒng)發(fā)展趨勢（英文）[J]. Tao ZHANG,Qing LI,Chang-shui ZHANG,Hua-wei LIANG,Ping LI,Tian-miao WANG,Shuo LI,Yun-long ZHU,Cheng WU.  Frontiers of Information Technology & Electronic Engineering. 2017(01)
[7]無人機(jī)發(fā)展綜述[J]. 秦博,王蕾.  飛航導(dǎo)彈. 2002(08)
[8]CITAVT-IV——視覺導(dǎo)航的自主車[J]. 孫振平,安向京,賀漢根.  機(jī)器人. 2002(02)

博士論文
[1]鄉(xiāng)村道路環(huán)境下農(nóng)業(yè)機(jī)器人導(dǎo)航避障算法研究[D]. 劉瓊.西北農(nóng)林科技大學(xué) 2017
[2]面向圖像語義分割的新型卷積神經(jīng)網(wǎng)絡(luò)及其應(yīng)用研究[D]. Robail Yasrab.中國科學(xué)技術(shù)大學(xué) 2017
[3]基于三維激光雷達(dá)的無人駕駛車輛環(huán)境建模關(guān)鍵技術(shù)研究[D]. 劉健.中國科學(xué)技術(shù)大學(xué) 2016

碩士論文
[1]TensorFlow平臺目標(biāo)檢測模型的設(shè)計(jì)與實(shí)現(xiàn)[D]. 韓卓.北京郵電大學(xué) 2019
[2]基于深度強(qiáng)化學(xué)習(xí)的無人車控制系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 張磊.中國地質(zhì)大學(xué)(北京) 2019
[3]基于深度殘差全卷積神經(jīng)網(wǎng)絡(luò)的交通圖像分割方法研究[D]. 張超.長安大學(xué) 2019
[4]無人系統(tǒng)的自主導(dǎo)航技術(shù)研究與驗(yàn)證[D]. 嚴(yán)甲漢.電子科技大學(xué) 2018
[5]基于殘差學(xué)習(xí)U型卷積神經(jīng)網(wǎng)絡(luò)的乳腺超聲圖像腫瘤分割研究[D]. 梁舒.華南理工大學(xué) 2018
[6]基于天空區(qū)域分割的暗原色先驗(yàn)去霧優(yōu)化技術(shù)[D]. 茅天詒.南京航空航天大學(xué) 2017
[7]無人機(jī)航跡規(guī)劃及導(dǎo)航系統(tǒng)的研究[D]. 王爾剛.天津大學(xué) 2014
[8]基于機(jī)器視覺的無人車道路識別[D]. 秦玲.西安工業(yè)大學(xué) 2013



本文編號：2937930