隨著圖像傳感器技術(shù)的發(fā)展,人們可以輕而易舉地獲取有價(jià)值圖像信息。因此大量的學(xué)者開(kāi)始在圖像處理領(lǐng)域不斷深耕,促進(jìn)了技術(shù)的發(fā)展。基于計(jì)算機(jī)視覺(jué)的自動(dòng)駕駛系統(tǒng)感知模塊更是成為研究熱點(diǎn)。自動(dòng)駕駛簡(jiǎn)單來(lái)說(shuō)是在整個(gè)駕駛過(guò)程中不需要駕駛員的參與,能夠避免人為因素造成的駕駛事故。因此,這項(xiàng)技術(shù)的發(fā)展可以真正地提高道路安全水平。自動(dòng)駕駛系統(tǒng)中視覺(jué)感知模塊包括行人檢測(cè)、車道線檢測(cè)、交通標(biāo)識(shí)牌識(shí)別、車輛檢測(cè)和交通信號(hào)燈檢測(cè)等任務(wù)。本文針對(duì)交通場(chǎng)景中的車道線檢測(cè)與交通信號(hào)燈檢測(cè)任務(wù),通過(guò)分析傳統(tǒng)圖像處理方法與基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法實(shí)現(xiàn)檢測(cè)的利弊,設(shè)計(jì)了基于卷積神經(jīng)網(wǎng)絡(luò)的車道線檢測(cè)算法與交通信號(hào)燈檢測(cè)算法,并將其聯(lián)合設(shè)計(jì)成為能夠同時(shí)實(shí)現(xiàn)上述功能的多任務(wù)網(wǎng)絡(luò)。首先,進(jìn)行車道線檢測(cè)網(wǎng)絡(luò)設(shè)計(jì),本任務(wù)可以劃分為語(yǔ)義分割任務(wù)。根據(jù)對(duì)語(yǔ)義分割網(wǎng)絡(luò)的研究,設(shè)計(jì)一種基于改進(jìn)Deeplabv3plus的帶有非單一擴(kuò)張系數(shù)的空洞卷積和具有密集連接理念的車道線檢測(cè)網(wǎng)絡(luò)。首先,基于Res Net101網(wǎng)絡(luò)設(shè)計(jì)特征提取網(wǎng)絡(luò),在此加入非單一擴(kuò)張系數(shù)的空洞卷積進(jìn)行改進(jìn)。然后,將提取的特征輸入改進(jìn)的具有密集連接的ASPP模塊。最后,通... 

【文章來(lái)源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁(yè)數(shù)】：62 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題背景及研究的目的和意義
    1.2 自動(dòng)駕駛國(guó)內(nèi)外的研究現(xiàn)狀
    1.3 基于語(yǔ)義分割的車道線檢測(cè)發(fā)展現(xiàn)狀
        1.3.1 語(yǔ)義分割算法發(fā)展現(xiàn)狀
        1.3.2 車道線檢測(cè)算法發(fā)展現(xiàn)狀
    1.4 基于深度學(xué)習(xí)的交通信號(hào)檢測(cè)發(fā)展現(xiàn)狀
        1.4.1 目標(biāo)檢測(cè)算法發(fā)展現(xiàn)狀
        1.4.2 交通信號(hào)燈檢測(cè)算法發(fā)展現(xiàn)狀
    1.5 主要研究?jī)?nèi)容及章節(jié)安排
        1.5.1 主要研究?jī)?nèi)容
        1.5.2 章節(jié)安排
第2章 基礎(chǔ)理論
    2.1 引言
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.1 網(wǎng)絡(luò)理論基礎(chǔ)
        2.2.2 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程
    2.3 典型卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
    2.4 圖像語(yǔ)義分割算法
    2.5 目標(biāo)檢測(cè)算法
    2.6 本章小結(jié)
第3章 基于多尺度殘差網(wǎng)絡(luò)的車道線檢測(cè)算法
    3.1 引言
    3.2 Deeplabv3plus算法
    3.3 基于改進(jìn)Deeplabv3plus車道線檢測(cè)網(wǎng)絡(luò)設(shè)計(jì)
        3.3.1 特征提取網(wǎng)絡(luò)
        3.3.2 帶空洞卷積的殘差模塊
        3.3.3 空洞空間金字塔池化模塊
        3.3.4 整體網(wǎng)絡(luò)設(shè)計(jì)結(jié)果
    3.4 實(shí)驗(yàn)結(jié)果與分析
        3.4.1 數(shù)據(jù)集
        3.4.2 評(píng)價(jià)標(biāo)準(zhǔn)
        3.4.3 實(shí)驗(yàn)結(jié)果及分析
    3.5 本章小結(jié)
第4章 基于改進(jìn)Faster-RCNN交通標(biāo)識(shí)檢測(cè)方法及多任務(wù)網(wǎng)絡(luò)設(shè)計(jì)
    4.1 引言
    4.2 Faster RCNN目標(biāo)檢測(cè)算法
    4.3 基于改進(jìn)Faster-RCNN交通信號(hào)燈檢測(cè)網(wǎng)絡(luò)設(shè)計(jì)
        4.3.1 特征提取網(wǎng)絡(luò)
        4.3.2 網(wǎng)絡(luò)改進(jìn)
        4.3.3 整體網(wǎng)絡(luò)設(shè)計(jì)結(jié)果
    4.4 多任務(wù)網(wǎng)絡(luò)設(shè)計(jì)
    4.5 實(shí)驗(yàn)結(jié)果與分析
        4.5.1 交通信號(hào)燈實(shí)驗(yàn)結(jié)果與分析
        4.5.2 多任務(wù)實(shí)驗(yàn)結(jié)果與分析
    4.6 本章小結(jié)
結(jié)論
參考文獻(xiàn)
致謝


【參考文獻(xiàn)】：
期刊論文
[1]深度學(xué)習(xí)目標(biāo)檢測(cè)方法綜述[J]. 趙永強(qiáng),饒?jiān)?董世鵬,張君毅.  中國(guó)圖象圖形學(xué)報(bào). 2020(04)
[2]基于改進(jìn)Enet網(wǎng)絡(luò)的車道線檢測(cè)算法[J]. 劉彬,劉宏哲.  計(jì)算機(jī)科學(xué). 2020(04)
[3]基于Faster-RCNN的交通信號(hào)燈檢測(cè)與識(shí)別[J]. 潘衛(wèi)國(guó),陳英昊,劉博,石洪麗.  傳感器與微系統(tǒng). 2019(09)
[4]基于邊緣特征融合和跨連接的車道線語(yǔ)義分割神經(jīng)網(wǎng)絡(luò)[J]. 龐彥偉,修宇璇.  天津大學(xué)學(xué)報(bào)(自然科學(xué)與工程技術(shù)版). 2019(08)
[5]基于漸變上下文特征的交通燈識(shí)別方法[J]. 李子康,徐桂芝,郭苗苗.  傳感器與微系統(tǒng). 2018(10)
[6]百度谷歌無(wú)人駕駛汽車發(fā)展綜述[J]. 何佳,戎輝,王文揚(yáng),田曉笛,高嵩,郭蓬.  汽車電器. 2017(12)
[7]基于顯著性特征的交通信號(hào)燈檢測(cè)和識(shí)別[J]. 許明文,張重陽(yáng).  計(jì)算機(jī)與數(shù)字工程. 2017(07)
[8]二維Otsu自適應(yīng)閾值選取算法的快速實(shí)現(xiàn)[J]. 汪海洋,潘德?tīng)t,夏德深.  自動(dòng)化學(xué)報(bào). 2007(09)
[9]CITAVT-IV——視覺(jué)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]基于深度學(xué)習(xí)的自動(dòng)駕駛單目視覺(jué)目標(biāo)識(shí)別技術(shù)研究[D]. 陳宇鵬.吉林大學(xué) 2019

碩士論文
[1]基于單目視覺(jué)的自動(dòng)駕駛視覺(jué)感知算法設(shè)計(jì)[D]. 張迪.華中科技大學(xué) 2019
[2]基于多任務(wù)網(wǎng)絡(luò)的智能車輛環(huán)境感知方法研究[D]. 楊曰凱.大連理工大學(xué) 2019



本文編號(hào)：3036143