近年來,隨著人工智能技術(shù)的快速發(fā)展,全球的各大科技公司都將目光戰(zhàn)略性地轉(zhuǎn)移到了自動(dòng)駕駛領(lǐng)域,一時(shí)將自動(dòng)駕駛的研究推向了高潮。目標(biāo)檢測(cè)是自動(dòng)駕駛領(lǐng)域的核心技術(shù)之一,它是自動(dòng)駕駛感知環(huán)境的重要途徑,影響著車輛的控制決策。行人、車輛、非機(jī)動(dòng)車是車輛駕駛過程重點(diǎn)關(guān)注的對(duì)象,為此,本文根據(jù)KITTI自動(dòng)駕駛數(shù)據(jù)集,將檢測(cè)對(duì)象合并為汽車、行人、騎行的人三類目標(biāo),并在此基礎(chǔ)上設(shè)計(jì)適用于自動(dòng)駕駛目標(biāo)檢測(cè)的方法。自動(dòng)駕駛目標(biāo)檢測(cè)環(huán)境極其復(fù)雜,存在目標(biāo)尺度變化較大、目標(biāo)密集以及遮擋嚴(yán)重等問題,傳統(tǒng)的目標(biāo)檢測(cè)方法難以達(dá)到檢測(cè)精度的要求。因此,本文選擇基于深度學(xué)習(xí)的二階段目標(biāo)檢測(cè)算法Faster R-CNN和一階段目標(biāo)檢測(cè)算法SSD(Single Shot Multibox Detector),結(jié)合實(shí)驗(yàn)場景和算法自身特點(diǎn)分別對(duì)兩種算法進(jìn)行改進(jìn),并通過實(shí)驗(yàn)驗(yàn)證改進(jìn)前后的算法性能。對(duì)于二階段目標(biāo)檢測(cè)算法Faster R-CNN,根據(jù)數(shù)據(jù)集的分辨率調(diào)整了網(wǎng)絡(luò)的輸入;采用ROI Align改進(jìn)了原算法中高誤差的ROI Pooling候選區(qū)域池化方式;采用Focal Loss對(duì)損失函數(shù)的分類部分進(jìn)行優(yōu)化,使訓(xùn)練過程更加...

【文章頁數(shù)】：65 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2.3檢測(cè)框內(nèi)提取Haar特征的過程演示特征值的計(jì)算過程如式所示：

杭州電子科技大學(xué)碩士學(xué)位論文10圖2.3檢測(cè)框內(nèi)提取Haar特征的過程演示Haar特征值的計(jì)算過程如式(2.1)所示：()allblackPixelallPixelblackfeaturevaluexweightPixelweightPixel(2.1)可以理解為模板中白色區(qū)域的....

圖2.5圖像金字塔結(jié)構(gòu)

杭州電子科技大學(xué)碩士學(xué)位論文11如圖2.5所示；（2）按一定比例依次放大檢測(cè)窗口，同時(shí)窗口內(nèi)的Haar特征模板也對(duì)應(yīng)變大，然后再依次滑動(dòng)。圖2.5圖像金字塔結(jié)構(gòu)2.2.2基于SIFT特征的圖像匹配算法圖像中的邊緣點(diǎn)、角點(diǎn)等位置，通常具有較強(qiáng)的顯著性且較容易提齲SIFT特征就是針對(duì)....

圖2.12FasterR-CNN結(jié)構(gòu)示意圖

杭州電子科技大學(xué)碩士學(xué)位論文16其結(jié)構(gòu)如2.13所示。候選區(qū)域輸出特征圖RPN網(wǎng)絡(luò)ROIPooling圖2.12FasterR-CNN結(jié)構(gòu)示意圖類別信息檢測(cè)框位置信息滑動(dòng)窗口特征圖k個(gè)錨框256-d2k4k圖2.13RPN網(wǎng)絡(luò)結(jié)構(gòu)示意圖RPN引入了錨框的機(jī)制，在基礎(chǔ)網(wǎng)絡(luò)的第五層卷....

圖2.13RPN網(wǎng)絡(luò)結(jié)構(gòu)示意圖

杭州電子科技大學(xué)碩士學(xué)位論文16其結(jié)構(gòu)如2.13所示。候選區(qū)域輸出特征圖RPN網(wǎng)絡(luò)ROIPooling圖2.12FasterR-CNN結(jié)構(gòu)示意圖類別信息檢測(cè)框位置信息滑動(dòng)窗口特征圖k個(gè)錨框256-d2k4k圖2.13RPN網(wǎng)絡(luò)結(jié)構(gòu)示意圖RPN引入了錨框的機(jī)制，在基礎(chǔ)網(wǎng)絡(luò)的第五層卷....

本文編號(hào)：3937740