發(fā)布時間：2023-03-02 21:16

　　道路安全問題日益嚴重,我國每年都有成千上萬的司機和乘客在道路交通事故中死亡。在過去十年中,國內(nèi)外研究者已經(jīng)進行了大量的研究工作,希望通過監(jiān)控道路環(huán)境來提高安全性、挽救生命以及減少道路上的死亡人數(shù)。本文針對智能車輛輔助系統(tǒng)中的主要組成部分車輛檢測、車道線檢測、車道偏離、車輛測距工作開展深入的研究。首先對Mask R-CNN實例分割檢測算法進行優(yōu)化實現(xiàn)車輛檢測,其次對雙分支實例分割檢測算法進行優(yōu)化實現(xiàn)車道線檢測,最終依據(jù)車輛和車道線的檢測結(jié)果預測車道偏離和進行車距測量。具體研究內(nèi)容如下:(1)在Mask R-CNN模型的基礎(chǔ)上,對算法進行改進,首先在特征提取時使用ResNeXt-101-FPN網(wǎng)絡代替Resnet殘差特征金字塔網(wǎng)絡,提高小目標車輛檢測準確率的同時減少計算量。其次使用自適配歸一化代替批量歸一化解決準確率受批量影響的問題,改進的算法在小目標的檢測中準確率比原始的算法提高了5%。(2)在雙分支實例分割模型的基礎(chǔ)上,對網(wǎng)絡結(jié)構(gòu)進行優(yōu)化,在LaneNet車道線檢測中采用Focal Loss損失函數(shù)訓練神經(jīng)網(wǎng)絡解決正負樣本不均衡造成的損失不穩(wěn)定問題,使用傳統(tǒng)的SGD優(yōu)化器對整個模型進行...

【文章頁數(shù)】：60 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 車輛檢測研究現(xiàn)狀
        1.2.2 車道線檢測研究現(xiàn)狀
    1.3 本文主要工作
第2章 目標檢測基礎(chǔ)理論與算法
    2.1 常規(guī)目標檢測算法
        2.1.1 幀差法
        2.1.2 背景差分法
        2.1.3 光流法
        2.1.4 卡爾曼濾波法
    2.2 深度學習目標檢測算法
        2.2.1 CNN目標檢測算法
        2.2.2 R-CNN目標檢測算法
    2.3 實例分割目標檢測算法
        2.3.1 Mask R-CNN實例分割網(wǎng)絡框架及特點
        2.3.2 雙分支實例分割網(wǎng)絡框架及特點
        2.3.3 網(wǎng)絡應用及解決的問題
    2.4 本章小結(jié)
第3章 車輛實例分割算法
    3.1 基于Mask R-CNN的車輛實例分割算法
        3.1.1 車輛實例分割算法流程
        3.1.2 特征提取網(wǎng)絡結(jié)構(gòu)設(shè)計
    3.2 批量歸一化與自適配歸一化
        3.2.1 批量歸一化
        3.2.2 自適配歸一化
        3.2.3 應用自適配歸一化代替批量歸一化的優(yōu)點
    3.3 實驗結(jié)果與算法比較
        3.3.1 實驗
        3.3.2 算法比較
    3.4 本章小結(jié)
第4章 車道線檢測算法
    4.1 端到端雙分支的車道線實例分割算法
        4.1.1 算法結(jié)構(gòu)
        4.1.2 Lane Net網(wǎng)絡
        4.1.3 H-Net曲線擬合
    4.2 標準交叉熵損失函數(shù)與Focal Loss
        4.2.1 標準交叉熵損失函數(shù)介紹
        4.2.2 Focal Loss函數(shù)介紹
        4.2.3 Focal Loss代替標準交叉熵損失函數(shù)的優(yōu)點
    4.3 實驗結(jié)果及算法比較
        4.3.1 實驗
        4.3.2 算法比較
    4.4 本章小結(jié)
第5章 行車安全預警模型設(shè)計
    5.1 車道偏離預警模型及算法
        5.1.1 車道偏離預警模型簡介
        5.1.2 車道偏離預警算法
    5.2 車距測量與預警模型及算法
        5.2.1 車距測量與預警模型簡介
        5.2.2 車距測量與預警算法
    5.3 本章小結(jié)
總結(jié)與展望
參考文獻
攻讀碩士學位期間所發(fā)表的學術(shù)論文
致謝



本文編號：3752638