近年來,隨著技術(shù)的發(fā)展及政策的開放,無人駕駛成為目前發(fā)展最為迅猛的人工智能產(chǎn)業(yè)之一�；谝曈X的環(huán)境感知是無人駕駛系統(tǒng)的基礎(chǔ)環(huán)節(jié),魚眼圖像因具有視角大,信息豐富的特點(diǎn),在視覺感知中被廣泛使用。本文在深度學(xué)習(xí)的基礎(chǔ)上,分別設(shè)計(jì)并實(shí)現(xiàn)了基于魚眼圖像的語義分割（像素級別）算法和實(shí)例分割（實(shí)例級別）算法,主要工作內(nèi)容如下:1、構(gòu)建了無人駕駛魚眼圖像分割數(shù)據(jù)集,數(shù)據(jù)采集自北京、上海等地的停車場及城市道路,拍攝了約180個小時(shí)的魚眼攝像頭視頻（幀速:30FPS,分辨率:1280*720）,從中抽取12000張魚眼圖像并使用標(biāo)注工具LabelMe進(jìn)行手動標(biāo)注,生成語義分割標(biāo)注圖像和實(shí)例分割標(biāo)注圖像各6000張。2、針對無人駕駛像素級別的場景解析需求,提出了基于深度卷積網(wǎng)層間級聯(lián)的魚眼圖像語義分割算法。設(shè)計(jì)了一個具有兩段不同深度卷積層分支的語義分割網(wǎng)絡(luò),通過對像素正確分類置信度與預(yù)設(shè)閾值進(jìn)行比較,將高于或低于閾值的像素分別輸入淺層或深層的網(wǎng)絡(luò)分支,實(shí)現(xiàn)層間級聯(lián)的學(xué)習(xí)模式,此外對深層的網(wǎng)絡(luò)分支利用了密集特征聚合的方式,最終輸出語義分割結(jié)果。實(shí)驗(yàn)結(jié)果表明,相比主流的語義分割方法FCN（Fully Convo... 

【文章來源】：大連交通大學(xué)遼寧省

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１．１無人駕駛核心技術(shù)??Ｆｉｇ．?１．１?Ｃｏｒｅ?ｔｅｃｈｎｏｌｏｇｉｅｓ?ｏｆ?ｕｎｐｉｌｏｔｅｄ?ｄｒｉｖｉｎｇ??１??

第一章緒論??進(jìn)入量產(chǎn)階段［１２］。縱目科技作為重要的無人駕駛解決方案供應(yīng)商，２０１８年１２月獲得了??中國一汽項(xiàng)目定點(diǎn)通知書，將在一汽紅旗品牌２０２０年的量產(chǎn)車型上，部署低速自動駕??駛Ｌ４級自主代客泊車系統(tǒng)［１３］。此外，國內(nèi)還有小馬智行、圖森未來等多家Ｌ４級別場景??服務(wù)商，與國內(nèi)知名院校及研宄院展開了合作，推動無人駕駛技術(shù)的發(fā)展。??目前，國內(nèi)外的無人駕駛技術(shù)公司都顯示了不錯的實(shí)力，圖１．２所示為目前己經(jīng)實(shí)??現(xiàn)量產(chǎn)的無人駕駛車輛。隨著科學(xué)技術(shù)的發(fā)展及政策的改革，無人駕駛技術(shù)將逐漸向更??加智能化、高效化、安全化發(fā)展，同時(shí)應(yīng)用領(lǐng)域也從軍用走向日常生活中，制造成本將??逐步降低，逐漸成為大眾都可以消費(fèi)得起的智能產(chǎn)品。??（ａ）?Ｗａｙｍｏ?（ｂ）?Ｔｅｓｌａ?Ｍｏｄｅｌ?Ｘ?（ｃ）阿波龍??圖１．２無人駕駛車輛??Ｆｉｇ．?１．２?Ｕｎｐｉｌｏｔｅｄ?ｃａｒｓ??１．２．２深度學(xué)習(xí)??深度學(xué)習(xí)［Ｍ］的概念是Ｈｉｎｔｏｎ等人于２００６年提出的，深度學(xué)習(xí)通過利用神經(jīng)網(wǎng)絡(luò)來??實(shí)現(xiàn)對圖像或語音等數(shù)據(jù)的特征提取，并將其與分類任務(wù)統(tǒng)一在一個模型中，實(shí)現(xiàn)自動??提取特征及分類。ＬｅＮｅｔ－５［１５】，是最早的用于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，隨后不斷涌現(xiàn)出更強(qiáng)??大的神經(jīng)網(wǎng)絡(luò)包括?ＡｌｅｘＮｅｔ［ｌ６］、ＶＧＧ－１６［１７］、ＧｏｏｇｌｅＮｅｔ［ｌ８］、ＲｅｓＮｅｔ［１９＾，網(wǎng)絡(luò)層數(shù)不斷??增加，學(xué)習(xí)能力越來越強(qiáng)，同時(shí)緩解了隨著網(wǎng)絡(luò)深度加深而出現(xiàn)的梯度消失或彌散的問??題，推動了深度學(xué)習(xí)在圖像分類［２（＾１］、圖像識別Ｐ２］、語音識別［２３］等多個任務(wù)上的發(fā)展，??同時(shí)促進(jìn)了深度學(xué)習(xí)向強(qiáng)化學(xué)習(xí)［２４］、遷移學(xué)習(xí)［２５］等領(lǐng)域的拓展

車輛的前方車標(biāo)處，通過在不同的交通路段、時(shí)間段及天氣狀況下進(jìn)??行視頻拍攝，共采集了約１８０個小時(shí)的視頻，視頻幀率為３０ＦＰＳ，分辨率為１２８０＊７２０；??從中抽取并手動標(biāo)注１２０００張魚眼圖像，其中語義分割標(biāo)注６０００張，標(biāo)注類別包括道??路邊線、可通行區(qū)域、車輛；實(shí)例分割標(biāo)注６０００張，類別包括小汽車、卡車、行人。??本文使用的標(biāo)注工具為ＬａｂｅｌＭＰ％是麻省理工大學(xué)計(jì)算機(jī)科學(xué)和人工智能實(shí)驗(yàn)室??研發(fā)的開源圖像標(biāo)注軟件，其優(yōu)點(diǎn)是可以在線使用，從而避免在本機(jī)中安裝大型數(shù)據(jù)集。??圖１．３所示為ＬａｂｅｌＭｅ的標(biāo)注界面，通過利用多邊形工具將車輛、車道線等標(biāo)注元??素的邊緣完整地描繪出來，并鍵入對應(yīng)的標(biāo)注類別，此外，對于實(shí)例分割標(biāo)注，還要給??予每個實(shí)例一個獨(dú)立的編號。??ｅ－??＾Ｔ｜ｌ?Ｏ＾ｅｃｔｈａｓｎｏｐａｒｉｓ??１?Ｉ?…．＇Ｉ??〇??圖１．３?ＬａｂｅｌＭｅ標(biāo)注界面??Ｆｉｇ．?１．３?Ｔｈｅ?ａｎｎｏｔａｔｉｏｎ?ｉｎｔｅｒｆａｃｅ?ｏｆ?ＬａｂｅｌＭｅ??５??


本文編號：3483938