車道線檢測和交通標(biāo)志檢測技術(shù)作為自動駕駛感知系統(tǒng)的核心技術(shù),不僅能保障車輛安全駕駛,還能提高車輛的行駛效率,減少交通擁堵和交通事故。隨著人工智能技術(shù)的快速發(fā)展,大量的目標(biāo)檢測方法不斷涌現(xiàn),但是由于車道線和交通標(biāo)志所處的環(huán)境具有復(fù)雜性和多變性的特點(diǎn),導(dǎo)致現(xiàn)有的車道線和交通標(biāo)志檢測方法還未能同時兼顧準(zhǔn)確率、魯棒性和實(shí)時性的應(yīng)用需求,因此車道線和交通標(biāo)志檢測技術(shù)一直是自動駕駛和計(jì)算機(jī)視覺領(lǐng)域的研究熱點(diǎn)。本文針對復(fù)雜環(huán)境下的車道線和交通標(biāo)志檢測進(jìn)行了研究,主要內(nèi)容為:(1)針對車輛遮擋和地面污損問題,本文將車道線檢測視為連續(xù)細(xì)長區(qū)域?qū)嵗指顔栴},給出了一種基于密集分割網(wǎng)絡(luò)的車道線檢測方法。首先,在語義分割網(wǎng)絡(luò)模型的基礎(chǔ)上,使用稠密塊構(gòu)建了一個密集分割網(wǎng)絡(luò),該網(wǎng)絡(luò)能在不同層之間建立了連接關(guān)系,使得該網(wǎng)絡(luò)具有重復(fù)使用特征的特性,能夠?qū)W習(xí)到高層的實(shí)例特征,減少隨著網(wǎng)絡(luò)的加深導(dǎo)致空間信息的丟失對分割邊緣細(xì)節(jié)的影響,提高圖像分割的準(zhǔn)確性;其次,為了使得車道線邊界更為具體,該方法引入了鄰近AND運(yùn)算和Meanshift聚類算法,對密集分割網(wǎng)絡(luò)的輸出進(jìn)行處理以減小非車道線像素的干擾。通過實(shí)驗(yàn)表明,本文給出的...

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖1.1自動駕駛汽車價值示意圖

合肥工業(yè)大學(xué)碩士學(xué)位論文1第一章緒論1.1課題研究背景及意義隨著科學(xué)技術(shù)的不斷進(jìn)步與發(fā)展，人們的生活越來越智能化。在達(dá)到同樣效果的前提下，人們希望計(jì)算機(jī)可以代替人完成一些復(fù)雜的重復(fù)的工作。近幾年，由于人工智能技術(shù)的快速發(fā)展以及計(jì)算機(jī)性能的不斷提高，大大地推動了自動駕駛技術(shù)的發(fā)展，....

圖1.2自動駕駛汽車工作模式流程圖

合肥工業(yè)大學(xué)碩士學(xué)位論文3車輛進(jìn)行控制，如下圖1.2所示。自動駕駛汽車的關(guān)鍵技術(shù)包括精準(zhǔn)定位、環(huán)境感知、決策與規(guī)劃、高精地圖、控制與執(zhí)行及車聯(lián)網(wǎng)V2X。環(huán)境感知是其他關(guān)鍵技術(shù)的基礎(chǔ)，是實(shí)現(xiàn)自動駕駛的前提條件，處于外界環(huán)境與自動駕駛汽車進(jìn)行信息交互的關(guān)鍵位置，是駕駛員的“眼睛”。環(huán)....

圖2.1典型的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

１菊輪饕?檣芰?卷積神經(jīng)網(wǎng)絡(luò)的相關(guān)基礎(chǔ)理論，以及幾種常見的卷積神經(jīng)網(wǎng)絡(luò)模型和幾種常見的輕量化的卷積神經(jīng)網(wǎng)絡(luò)模型。2.1卷積神經(jīng)網(wǎng)絡(luò)概述卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNerualNetwork,CNN）是一類包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，也是深度學(xué)習(xí)的重要組成....

圖2.2卷積操作示意圖

連接，需要訓(xùn)練的參數(shù)數(shù)量十分龐大。然而，卷積層中的每個神經(jīng)元只與圖像的部分像素連接，這種連接方式可以大大地減少了參數(shù)數(shù)量。權(quán)值共享也是卷積神經(jīng)網(wǎng)絡(luò)減少參數(shù)數(shù)量的方法。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)中的每個神經(jīng)單元都有一系列的權(quán)重參數(shù)，這就大大增加了計(jì)算的復(fù)雜度，而卷積神經(jīng)網(wǎng)絡(luò)的卷積層會使用卷積核....

本文編號：3928914