隨著深度學習的復興,人工智能技術開啟了新的征程。自動駕駛技術作為人工智能技術的一個重要研究方向,是計算機視覺技術與傳統(tǒng)工業(yè)相結合的產物。自動駕駛技術深入地滲透了人們的日常生活,能夠帶來巨大的商業(yè)價值,是學術界和工業(yè)界共同的研究熱點,如今各大互聯(lián)網(wǎng)公司及汽車制造商紛紛投身自動駕駛技術的研究。行人目標跟蹤作為自動駕駛技術中不可或缺的一個環(huán)節(jié),對提高自動駕駛的安全性有著重要作用和意義。相比于通用目標檢測與跟蹤,自動駕駛場景下的行人目標占畫面比例更小,背景環(huán)境和運動姿態(tài)更多樣,位置變化更快,且實時性要求更高,通用目標檢測與跟蹤算法較難滿足自動駕駛場景下的行人目標跟蹤任務。因此,本文從行人目標檢測與行人目標跟蹤兩個方向進行研究,設計了一套適用于自動駕駛場景的行人目標跟蹤算法。對于行人目標檢測問題,本文設計了一個特殊的輕量級行人目標檢測模型。該模型使用了本文提出的多尺度下采樣模塊,以減少行人目標信息在下采樣過程中的丟失,并在下采樣結束之后加入了空間金字塔池化模塊,進一步豐富行人目標的特征,提升行人小目標的檢測性能。經(jīng)過實驗,在BDD 100k和City Person綜合數(shù)據(jù)集上,本文設計的輕量級行...

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 研究背景及研究意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 目標檢測研究現(xiàn)狀
        1.2.2 目標跟蹤研究現(xiàn)狀
        1.2.3 輕量級網(wǎng)絡模型研究現(xiàn)狀
    1.3 論文主要研究內容
    1.4 主要創(chuàng)新點
    1.5 論文組織結構
2 自動駕駛場景目標感知及相關理論基礎
    2.1 引言
    2.2 目標檢測常用數(shù)據(jù)集及評價指標
        2.2.1 目標檢測常用數(shù)據(jù)集
        2.2.2 目標檢測常用評價指標
    2.3 目標檢測算法分類
        2.3.1 兩階段目標檢測算法
        2.3.2 一階段目標檢測算法
    2.4 目標跟蹤常用數(shù)據(jù)集及評價指標
        2.4.1 目標跟蹤常用數(shù)據(jù)集
        2.4.2 目標跟蹤常用評價指標
    2.5 目標跟蹤算法分類
    2.6 常用輕量級網(wǎng)絡設計方法
    2.7 本章小結
3 自動駕駛場景下輕量級行人目標檢測
    3.1 引言
    3.2 輕量級行人目標檢測基本思路
    3.3 小型一階段行人目標檢測網(wǎng)絡設計
        3.3.1 小型一階段行人目標檢測模型模塊設計
        3.3.2 小型一階段行人目標檢測模型網(wǎng)絡結構設計
        3.3.3 小型行人目標檢測模型損失函數(shù)設計
    3.4 輕量級行人目標檢測網(wǎng)絡設計
    3.5 模型訓練與結果分析
    3.6 本章小結
4 自動駕駛場景下基于卷積關聯(lián)網(wǎng)絡的行人目標跟蹤
    4.1 引言
    4.2 基于卷積關聯(lián)網(wǎng)絡的行人目標跟蹤基本思路
    4.3 卷積關聯(lián)網(wǎng)絡結構設計
    4.4 卷積關聯(lián)網(wǎng)絡的損失函數(shù)設計
    4.5 基于卷積關聯(lián)網(wǎng)絡的行人目標跟蹤過程
    4.6 模型訓練與結果分析
    4.7 本章小結
5 自動駕駛場景下卷積關聯(lián)網(wǎng)絡的空間約束
    5.1 引言
    5.2 卷積關聯(lián)網(wǎng)絡空間約束的基本思想
    5.3 卷積關聯(lián)網(wǎng)絡空間約束的具體實現(xiàn)
    5.4 模型訓練與結果分析
    5.5 本章小結
6 總結與展望
    6.1 工作總結
    6.2 未來展望
致謝
參考文獻
個人簡歷、在學期間發(fā)表的學術論文及取得的研究成果



本文編號：3796789