隨著計(jì)算機(jī)軟硬件性能的顯著提升以及人工智能各領(lǐng)域科技的迅速發(fā)展,移動(dòng)機(jī)器人、無(wú)人車(chē)等產(chǎn)品逐漸出現(xiàn)在人們的視野中。移動(dòng)機(jī)器人的環(huán)境感知就是指移動(dòng)機(jī)器人通過(guò)雷達(dá)、攝像頭等配備的傳感器獲取周?chē)h(huán)境信息,并完成分析和理解,是決策與控制的前提和基礎(chǔ)。基于視覺(jué)傳感器的環(huán)境感知技術(shù)因其硬件價(jià)格低、獲取信息量大等優(yōu)勢(shì)成為研究的熱點(diǎn)。近些年來(lái),計(jì)算機(jī)視覺(jué)領(lǐng)域借助深度學(xué)習(xí)技術(shù)得以迅速發(fā)展,在圖像分類(lèi)、目標(biāo)檢測(cè)、語(yǔ)義分割等子問(wèn)題上不斷出現(xiàn)有價(jià)值的研究成果,基于視覺(jué)的環(huán)境感知技術(shù)由此不斷出現(xiàn)新的解決方案。本文對(duì)基于深度學(xué)習(xí)的視覺(jué)環(huán)境感知技術(shù)的實(shí)際應(yīng)用問(wèn)題展開(kāi)研究,構(gòu)造了一個(gè)目標(biāo)檢測(cè)與道路分割算法的聯(lián)合架構(gòu),能夠同時(shí)進(jìn)行感興趣目標(biāo)的檢測(cè)和可行駛道路的分割,以此指導(dǎo)移動(dòng)機(jī)器人的目標(biāo)追蹤、避障等運(yùn)動(dòng),并搭建了移動(dòng)機(jī)器人環(huán)境感知系統(tǒng)硬件平臺(tái)進(jìn)行了室內(nèi)外不同環(huán)境下的實(shí)驗(yàn)。論文主要工作如下:1、在檢測(cè)算法方面,本文對(duì)目前兩種主流的目標(biāo)檢測(cè)算法即基于候選框的算法與直接回歸的算法展開(kāi)研究,對(duì)其原理進(jìn)行對(duì)比分析,最終使用了一種結(jié)合ROI與YOLO思想的目標(biāo)檢測(cè)算法,在保持運(yùn)算實(shí)時(shí)性的同時(shí),有效提高算法的準(zhǔn)確度;在語(yǔ)義分割方面,... 

【文章來(lái)源】：山東大學(xué)山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：71 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１－１各類(lèi)智能移動(dòng)機(jī)器人??

山東大學(xué)碩士學(xué)位論文??連接和權(quán)值共享的設(shè)計(jì)，卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)數(shù)量得以顯著減少，降低了對(duì)??計(jì)算資源的需求。??２．１．２池化層??池化層一般位于卷積層之后，主要用來(lái)進(jìn)一步降低圖像數(shù)據(jù)的維度。池??化層通過(guò)提取圖像中代表性特征，能夠在保持平移、旋轉(zhuǎn)不變性的同時(shí)，有??效降低數(shù)據(jù)維度，同時(shí)增強(qiáng)了模型的魯棒性，對(duì)過(guò)擬合現(xiàn)象的發(fā)生有顯著的??抑制作用。??池化操作如圖２－１所示，指的是找出某區(qū)域內(nèi)的最大值或計(jì)算該區(qū)域的??平均值作為該區(qū)域的特征。常用的池化方式包括最大池化和平均池化，其中??最大池化是取目標(biāo)區(qū)域中的最大值作為池化的結(jié)果，平均池化是計(jì)算目標(biāo)區(qū)??域中的平均值作為池化的結(jié)果。??８?９??４?８?９?８?５?８??５７７６??Ｍａｘｉｍｕｍ?Ｐｏｏｌｉｎｇ??１２７８??３５５５?６７５??２．７５?６．２５??Ａｖｅｒａｇｅ?Ｐｏｏｌｉｎｇ??圖２－１常見(jiàn)池化方法??２．１．３全連接層??全連接層的本質(zhì)是矩陣的相乘，一般位于卷積網(wǎng)絡(luò)結(jié)構(gòu)中的最后位置。??全連接顧名思義是指該層的每個(gè)神經(jīng)元都與相鄰層的每個(gè)神經(jīng)元相連，經(jīng)過(guò)??矩陣計(jì)算之后，將輸出送入分類(lèi)器，從而計(jì)算圖像類(lèi)別概率等。??２．１．４激活函數(shù)??由于神經(jīng)網(wǎng)絡(luò)的本質(zhì)是矩陣的相乘，因此對(duì)于非線性特征的擬合能力較??弱，非線性激活函數(shù)的加入可以有效提升網(wǎng)絡(luò)的非線性刻畫(huà)能力。常用激活??函數(shù)如下：??１０??

?山東大學(xué)碩士學(xué)位論文????（１）?Ｓｉｇｍｏｉｄ??Ｓｉｇｍｏｉｄ函數(shù)的表達(dá)式見(jiàn)式（２－２），函數(shù)圖像如圖２－２。??（）１?＋?ｅ＇ｒ?（２－２）??。??０?８?／??ａ６?／??０．４?？?／??０．０?■???－４－２?０?ｒ?４??圖?２－２?ｓｉｇｍｏｉｄ?函數(shù)??Ｓｉｇｍｏｉｄ函數(shù)的值域?yàn)椋ǎ埃保�，這樣的優(yōu)點(diǎn)在于無(wú)論輸入的大小輸出總是??有限的，同時(shí)函數(shù)光滑可微，導(dǎo)數(shù)計(jì)算方便。但Ｓｉｇｍｏｉｄ函數(shù)也存在以下缺??點(diǎn)：當(dāng)輸入較大或較小時(shí)，函數(shù)的梯度幾乎為零，在梯度反向傳播時(shí)容易發(fā)??生梯度消失的現(xiàn)象；輸出不以０為中心，且輸出始終為正；涉及指數(shù)的計(jì)算，??運(yùn)算量大，計(jì)算耗時(shí)。??（２）?Ｔａｎｈ??Ｔａｎｈ函數(shù)的表達(dá)式見(jiàn)式（２－３），函數(shù)圖像如圖２－３。??ｔａｎｈ（．ｒ）?＝?＾ｌ??＋ｅ?＂?（２－３）??１??，?，?，?，?，?，?｜?，??〇８?？?．?ｒ??＼?／?：??：??：Ｌ７．：?；．．?Ｉ??－－?－？?〇?－１?〇?１?：?；??圖２－３?Ｔａｎｈ函數(shù)??相對(duì)Ｓｉｇｍｏｉｄ函數(shù)，Ｔａｎｈ函數(shù)的優(yōu)點(diǎn)在于輸出值正負(fù)對(duì)稱以及在零點(diǎn)左??右梯度較大，有利于區(qū)別小的特征差異，但同樣存在容易產(chǎn)生梯度消失以及??運(yùn)算量大的問(wèn)題。??１１??

【參考文獻(xiàn)】：
期刊論文
[1]基于邊緣檢測(cè)和區(qū)域生長(zhǎng)的自然彩色圖像分割[J]. 翁秀梅,肖志濤,楊洪薇.  天津工業(yè)大學(xué)學(xué)報(bào). 2008(01)
[2]基于顏色信息與區(qū)域生長(zhǎng)的圖像分割新算法[J]. 趙欽佩,姚莉秀,程建,何虎翼,楊杰.  上海交通大學(xué)學(xué)報(bào). 2007(05)
[3]移動(dòng)機(jī)器人環(huán)境認(rèn)知理論與技術(shù)的研究[J]. 蔡自興,鄒小兵.  機(jī)器人. 2004(01)
[4]自主輪式移動(dòng)機(jī)器人CASIA-I的整體設(shè)計(jì)[J]. 李磊,陳細(xì)軍,候增廣,譚民.  高技術(shù)通訊. 2003(11)
[5]多功能室外智能移動(dòng)機(jī)器人實(shí)驗(yàn)平臺(tái)—THMR-V[J]. 張朋飛,何克忠,歐陽(yáng)正柱,張軍宇.  機(jī)器人. 2002(02)

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的車(chē)牌識(shí)別關(guān)鍵技術(shù)的研究與應(yīng)用[D]. 高攀.北京郵電大學(xué) 2019
[2]基于多任務(wù)學(xué)習(xí)的腫瘤醫(yī)學(xué)影像語(yǔ)義分割與分類(lèi)研究[D]. 鄒致超.哈爾濱工業(yè)大學(xué) 2019
[3]基于RGB和深度信息的語(yǔ)義分割[D]. 王超男.天津理工大學(xué) 2017
[4]基于閾值的圖像分割研究[D]. 付云鳳.重慶大學(xué) 2013



本文編號(hào)：2953540