發(fā)布時(shí)間：2021-11-15 06:04

　　無人駕駛汽車道路前方的目標(biāo)檢測技術(shù),最主要的是對外界各種復(fù)雜的環(huán)境的感知再對此進(jìn)行決策,從而使無人駕駛汽車正確地自主操作,應(yīng)對駕駛。然而在對車外目標(biāo)檢測的過程中,因?yàn)閺?fù)雜的外界因素會(huì)使得目標(biāo)檢測的準(zhǔn)確度方面有很大影響,而且在樣本中很多較為模糊、微小和歪斜的目標(biāo)難以分割,還有遮擋的車輛、路標(biāo)、停車線還有各種障礙物。本文通過使用目標(biāo)檢測Mask R-CNN算法并且使用車輛前方道路cityscapes數(shù)據(jù)集進(jìn)行訓(xùn)練和測試,對前方行駛區(qū)域進(jìn)行預(yù)測和道路前方的目標(biāo)進(jìn)行檢測,而在目標(biāo)檢測中對模糊、微小和歪斜的目標(biāo)則采用關(guān)鍵點(diǎn)的檢測方法,提升Mask R-CNN的準(zhǔn)確度。在本文中主要完成了如下工作:1.通過在Cityscapes數(shù)據(jù)集上進(jìn)行測試將Mask R-CNN與常用的神經(jīng)網(wǎng)絡(luò)算法的比較,體現(xiàn)Mask R-CNN的優(yōu)勢。2.將Mask R-CNN運(yùn)用于無人駕駛汽車道路前方的目標(biāo)檢測中,在對道路前方行駛區(qū)域的預(yù)測中,與傳統(tǒng)的圖像分割方法進(jìn)行比較,發(fā)現(xiàn)Mask R-CNN對行駛區(qū)域的預(yù)測更加精準(zhǔn)。3.在Mask R-CNN加入關(guān)鍵點(diǎn)的檢測,對目標(biāo)進(jìn)行多個(gè)關(guān)鍵點(diǎn)選取,每個(gè)類別的關(guān)鍵點(diǎn)位置都做一個(gè)mas... 

【文章來源】：南昌大學(xué)江西省 211工程院校

【文章頁數(shù)】：60 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．１卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖??２．２．１輸入層??

?第２章神經(jīng)卷積網(wǎng)絡(luò)介紹???卷積核進(jìn)行對對象特征的提取的過程如圖２．５所示。??＾?—?）????ｈ?，?，?＾??廿十??圖２．５卷積核提取過程??這就是卷積的運(yùn)作方式，計(jì)算方法：??Ｆｌ＝Ｗｌｌ＊Ｒ＋Ｗ１２＊Ｇ＋Ｗ１３＊Ｂ＋ｂｌ??Ｆ２－Ｗ２１＊Ｒ＋Ｗ２２＊Ｇ＋Ｗ２３＊Ｂ＋ｂ２??Ｆ３＝Ｗ３１?＊Ｒ＋Ｗ３２＊Ｇ＋Ｗ３３＊Ｂ＋ｂ３??Ｆ４＝Ｗ４１＊Ｒ＋Ｗ４２＊Ｇ＋Ｗ４３＊Ｂ＋ｂ４?（２．３）??其中Ｆ表示特征圖，Ｗ表示卷積核，＊表示卷積運(yùn)算符。??２．２．３激活層??在激活層中，假如不用激勵(lì)函數(shù)（其實(shí)就相當(dāng)于激勵(lì)函數(shù)是ｆ（ｘ）－ｘ），這??種情況下，每一層的輸出都是上一層輸入的線性函數(shù)。這樣的話，無論有多少??神經(jīng)網(wǎng)絡(luò)層，輸出都是輸入的線性組合，這就是最原始的感知機(jī)了。使用激活??函數(shù)處理往往與之前的卷積層結(jié)合在一起的，這個(gè)作用其實(shí)也就是是激活函數(shù)??的作用，去線性化處理，在卷積網(wǎng)絡(luò)中，一般使用的激勵(lì)函數(shù)是ＲｅＬｕ函數(shù)，??ＲｅＬＵ迭代速度快，但是有時(shí)候效果不佳。再ＲｅＬＵ無效的情況下，采用Ｌｅａｋｙ??ＲｅＬＵ或者Ｍａｘｏｕｔ?—般情況都可以解決問題。如果處理音頻或者文本，則Ｔａｎｈ??函數(shù)有比較好的效果。??而大多數(shù)情況下都不會(huì)使用Ｓｉｇｍｏｉｄ函數(shù)處理。常用的激勵(lì)函數(shù)有：??１．?Ｓｉｇｍｏｉｄ?函數(shù)??２．?Ｔａｎｈ函數(shù)??３．?ＲｅＬＵ??４．?Ｌｅａｋｙ?ＲｅＬＵ??５．?ＥＬＵ??１１??

圖２．６池化操作??

【參考文獻(xiàn)】：
期刊論文
[1]一種針對路口監(jiān)控圖像的區(qū)域分割方法[J]. 李昕蔚,丁正彥,尚巖峰,祝永新,汪輝,鐘雪霞,田犁,黃尊愷,封松林.  計(jì)算機(jī)應(yīng)用與軟件. 2020(03)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的人臉關(guān)鍵點(diǎn)檢測算法設(shè)計(jì)[J]. 石高輝,陳曉榮,劉亞茹,戴星宇,池笑宇,李恒.  電子測量技術(shù). 2019(24)
[3]基于圖像閾值分割的滸苔圖像提取[J]. 張日升,原明亭,丁軍航,官晟,孟憲法.  自動(dòng)化技術(shù)與應(yīng)用. 2020(02)
[4]基于OpenPose人體姿態(tài)識(shí)別的變電站危險(xiǎn)行為檢測[J]. 朱建寶,許志龍,孫玉瑋,馬青山.  自動(dòng)化與儀表. 2020(02)
[5]無人駕駛汽車關(guān)鍵技術(shù)研究[J]. 蔣孫權(quán).  時(shí)代汽車. 2020(03)
[6]基于姿態(tài)機(jī)和卷積神經(jīng)網(wǎng)絡(luò)的手的關(guān)鍵點(diǎn)估計(jì)[J]. 張風(fēng)雷.  計(jì)算機(jī)與數(shù)字工程. 2020(01)
[7]基于分水嶺分割算法對燕麥籽粒識(shí)別中粘連區(qū)域的分割[J]. 燕紅文,崔清亮.  計(jì)算機(jī)時(shí)代. 2020(01)
[8]基于AlexNet網(wǎng)絡(luò)的動(dòng)物圖片分類[J]. 周德良.  貴州大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(06)
[9]一種改進(jìn)的Mask RCNN特征融合實(shí)例分割方法[J]. 溫堯樂,李林燕,尚欣茹,胡伏原.  計(jì)算機(jī)應(yīng)用與軟件. 2019(10)
[10]基于Mask RCNN的目標(biāo)識(shí)別與空間定位[J]. 歐攀,路奎,張正,劉澤陽.  計(jì)算機(jī)測量與控制. 2019(06)

碩士論文
[1]基于全卷積網(wǎng)絡(luò)改進(jìn)的圖像語義分割應(yīng)用研究[D]. 李昊東.南京郵電大學(xué) 2019
[2]灰度不均勻圖像的快速分割方法研究[D]. 曾笑云.湘潭大學(xué) 2019
[3]基于深度特征共享的關(guān)鍵點(diǎn)匹配與跟蹤算法[D]. 俱青.西安電子科技大學(xué) 2019
[4]區(qū)域卷積神經(jīng)網(wǎng)絡(luò)在車輛檢測中的應(yīng)用研究[D]. 張鶴鶴.西安理工大學(xué) 2018
[5]基于深度卷積神經(jīng)網(wǎng)絡(luò)和圖像傳感器的道路多目標(biāo)檢測研究[D]. 謝一德.北京交通大學(xué) 2018
[6]基于區(qū)域生成網(wǎng)絡(luò)的自動(dòng)駕駛系統(tǒng)行人檢測算法實(shí)現(xiàn)[D]. 王賓.西南交通大學(xué) 2018
[7]交通視頻中車輛多目標(biāo)跟蹤與特征提取的研究[D]. 郭曉光.天津工業(yè)大學(xué) 2017
[8]基于深度學(xué)習(xí)的車輛檢測方法研究[D]. 張文桂.華南理工大學(xué) 2016



本文編號：3496189