隨著科技的不斷發(fā)展和人們生活水平的提高,越來(lái)越多的家庭擁有自己的私家車(chē),并普遍選擇私家車(chē)出行。隨之帶來(lái)的便是道路擁擠、交通事故、環(huán)境污染等問(wèn)題的加重。為了解決和緩解以上問(wèn)題,各國(guó)學(xué)者和相關(guān)人士都致力于智能交通系統(tǒng)的研究工作。作為先進(jìn)輔助駕駛系統(tǒng)（ADAS）重要組成部分的“車(chē)輛——行人——車(chē)道線”檢測(cè)技術(shù)的研究具有巨大的實(shí)際應(yīng)用意義。近期,由于計(jì)算機(jī)硬件和GPU的計(jì)算力大幅度提升,深度學(xué)習(xí)再次得到人們的關(guān)注,基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法層出不窮。因此,本文立足于深度學(xué)習(xí)理論,對(duì)智能輔助駕駛場(chǎng)景中車(chē)輛、行人、車(chē)道線檢測(cè)進(jìn)行研究。主要內(nèi)容如下:針對(duì)智能駕駛輔助系統(tǒng)中對(duì)實(shí)時(shí)性和硬件內(nèi)存的要求,本文提出了一種基于YOLOv3和密集連接網(wǎng)絡(luò)改進(jìn)的輕量化目標(biāo)檢測(cè)模型,解決了因模型參數(shù)量大而無(wú)法在硬件上移植的問(wèn)題,同時(shí)利用KL損失解決了YOLOv3中存在對(duì)預(yù)測(cè)框定位不準(zhǔn)確的問(wèn)題。實(shí)現(xiàn)了犧牲少量檢測(cè)精度來(lái)有效降低模型參數(shù)量,并同時(shí)保證了模型的實(shí)時(shí)性。針對(duì)車(chē)道線檢測(cè)中模型檢測(cè)不精確和困難場(chǎng)景（如夜間或大霧天氣）下檢測(cè)失敗的問(wèn)題,本文提出了一種車(chē)道線后處理的方法,利用傳統(tǒng)圖像處理的知識(shí)與循環(huán)矩陣核相關(guān)跟蹤算法... 

【文章來(lái)源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：83 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

自動(dòng)駕駛環(huán)境感知與高級(jí)語(yǔ)義分割框架

第一章緒論3半導(dǎo)體及元器件的消費(fèi)量從13.7億美元上升到25億美元。圖1-2全球ADAS市場(chǎng)規(guī)模預(yù)測(cè)（億歐元）目前，國(guó)內(nèi)先進(jìn)的輔助駕駛系統(tǒng)在新車(chē)中的普及率仍處于較低水平，從2%到4%不等，盲點(diǎn)檢測(cè)的普及率最高，達(dá)到6.9%。而在美國(guó)、英國(guó)等一些發(fā)達(dá)國(guó)家，有8%的新車(chē)已經(jīng)裝有ADAS。由于經(jīng)濟(jì)水平的提高，越來(lái)越多的家庭擁有自己的私家車(chē)，截止到2017年底，中國(guó)機(jī)動(dòng)車(chē)保有量達(dá)到3.1億輛，中國(guó)的汽車(chē)銷(xiāo)售額快速增長(zhǎng)，但是汽車(chē)的ADAS安裝率較低，這將成為各大汽車(chē)廠商競(jìng)爭(zhēng)制勝的最大賣(mài)點(diǎn)，所以在中國(guó)ADAS擁有良好的市場(chǎng)前景。隨著相關(guān)政策的出臺(tái)，預(yù)計(jì)國(guó)內(nèi)ADAS市場(chǎng)將快速增長(zhǎng)。據(jù)有效數(shù)據(jù)估計(jì)，中國(guó)ADAS市場(chǎng)增長(zhǎng)率將超過(guò)國(guó)際市場(chǎng)的增長(zhǎng)率。國(guó)外智能汽車(chē)的發(fā)展較早，2010年谷歌公司正式進(jìn)軍自動(dòng)駕駛汽車(chē)，經(jīng)過(guò)兩年的研發(fā)，在2012年谷歌的第一個(gè)二級(jí)別的自動(dòng)駕駛汽車(chē)問(wèn)世，后來(lái)研發(fā)的“GoogleFleet”的自動(dòng)駕駛車(chē)[7]輛完成了1000公里的完全自動(dòng)駕駛。2020年特斯拉已經(jīng)由超過(guò)60萬(wàn)輛配有“完全自動(dòng)駕駛硬件”的汽車(chē)。這些車(chē)輛每天可以創(chuàng)造2000萬(wàn)英里的行駛路程，可以為神將網(wǎng)絡(luò)提供強(qiáng)大的數(shù)據(jù)支持。在國(guó)內(nèi)，百度無(wú)疑是自動(dòng)駕駛行業(yè)中的領(lǐng)軍代表，2019年，百度首批45輛Apollo與一汽紅旗聯(lián)合研發(fā)的“紅旗EV”Robotaxi車(chē)隊(duì)在長(zhǎng)沙部分已開(kāi)放測(cè)試路段開(kāi)始試運(yùn)營(yíng)。同年豐田將加入百度推動(dòng)的自動(dòng)駕駛開(kāi)發(fā)聯(lián)盟“阿波羅計(jì)劃”。豐田希望通過(guò)加入該計(jì)劃，加速技術(shù)實(shí)用化進(jìn)程。中國(guó)智能手機(jī)制造商華為目前正在大力推進(jìn)5G產(chǎn)業(yè)。華為已明確表示不會(huì)生產(chǎn)汽車(chē)，但計(jì)劃幫助發(fā)展自動(dòng)駕駛汽車(chē)技

電子科技大學(xué)碩士學(xué)位論文4術(shù)。最近，華為正在利用其在5G領(lǐng)域的專(zhuān)業(yè)知識(shí)，與上汽集團(tuán)和中國(guó)移動(dòng)合力打造5G互聯(lián)汽車(chē)。這些汽車(chē)將具有5G/LTE-V功能并支持C-ITS駕駛員輔助功能。并且具有智能的語(yǔ)音交互功能，甚至內(nèi)置視頻通話功能。圖1-3國(guó)內(nèi)外推出的自動(dòng)駕駛汽車(chē)(Google、TLSA、百度、華為)1.2.2深度學(xué)習(xí)研究現(xiàn)狀早在20世紀(jì)中期，Wiesel和Hubel[8]在研究貓的大腦皮層結(jié)構(gòu)時(shí)，無(wú)意中發(fā)現(xiàn)皮層中腦神經(jīng)元的獨(dú)特結(jié)構(gòu)，該結(jié)構(gòu)簡(jiǎn)潔高效的實(shí)現(xiàn)了網(wǎng)絡(luò)之間的反饋操作。通過(guò)進(jìn)一步的研究其結(jié)構(gòu)，他們提出了最原始的卷積神經(jīng)網(wǎng)絡(luò)。1980年，K.Fukushima[9]等人利用自己發(fā)明的識(shí)別模型實(shí)現(xiàn)了利用卷積神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行目標(biāo)識(shí)別。通過(guò)進(jìn)一步發(fā)展，利用滑動(dòng)窗口的方法進(jìn)行目標(biāo)特征提取，大幅度提升了多類(lèi)別目標(biāo)檢測(cè)的效率。在2003年Viola和Jones[10]等人研究出一種濾波器，該濾波器是基于矩形框的，通過(guò)對(duì)圖像所提取的特征向量用一個(gè)分類(lèi)器訓(xùn)練（比如：adaboost[11]），就可以用來(lái)對(duì)行人進(jìn)行檢測(cè)。2005年，梯度直方圖（HOG）特征提取方法被Dalal[12]等人提出，該方法主要是對(duì)圖像中每個(gè)像素點(diǎn)求梯度，然后使用直方圖進(jìn)行統(tǒng)計(jì)，就可以描述出圖像中物體的邊緣信息，然后通過(guò)分類(lèi)器對(duì)這些特征進(jìn)行訓(xùn)練就可以對(duì)行人進(jìn)行檢測(cè)，該方法的檢測(cè)效果良好，運(yùn)用十分廣泛。2010年，StefenWalk[13]提出了光流方向直方圖(HistogramsofOrientedOpticalFlow,HOF)特征和顏色自相似性（colorselfsimilarity,CSS）特征。深度學(xué)習(xí)中最具有里程碑意義的就是Hinton[14]的貢獻(xiàn)，在2010和2012年的

【參考文獻(xiàn)】：
期刊論文
[1]基于機(jī)器學(xué)習(xí)的小目標(biāo)檢測(cè)與追蹤的算法研究[J]. 林曉林,孫俊.  計(jì)算機(jī)應(yīng)用研究. 2018(11)
[2]卷積定理與傅里葉變換性質(zhì)及其應(yīng)用的關(guān)系探討[J]. 黃金平,張正炳.  長(zhǎng)江大學(xué)學(xué)報(bào)(自科版). 2016(19)
[3]基于高階CRF模型的圖像語(yǔ)義分割[J]. 毛凌,解梅.  計(jì)算機(jī)應(yīng)用研究. 2013(11)
[4]基于FPGA的曼徹斯特編解碼器設(shè)計(jì)與實(shí)現(xiàn)[J]. 劉遠(yuǎn)峰.  現(xiàn)代計(jì)算機(jī)(專(zhuān)業(yè)版). 2010(12)
[5]基于感受野模型的圖像融合算法研究[J]. 趙巍,黃晶晶,田斌.  電子學(xué)報(bào). 2008(09)
[6]單目移動(dòng)拍攝下基于人體部位的行人檢測(cè)[J]. 田廣,戚飛虎,朱文佳,毛欣,陳磐君.  系統(tǒng)仿真學(xué)報(bào). 2006(10)



本文編號(hào)：3451144