發(fā)布時間：2024-03-24 16:38

　　近年來,隨著人工智能技術的快速發(fā)展,全球的各大科技公司都將目光戰(zhàn)略性地轉移到了自動駕駛領域,一時將自動駕駛的研究推向了高潮。目標檢測是自動駕駛領域的核心技術之一,它是自動駕駛感知環(huán)境的重要途徑,影響著車輛的控制決策。行人、車輛、非機動車是車輛駕駛過程重點關注的對象,為此,本文根據KITTI自動駕駛數據集,將檢測對象合并為汽車、行人、騎行的人三類目標,并在此基礎上設計適用于自動駕駛目標檢測的方法。自動駕駛目標檢測環(huán)境極其復雜,存在目標尺度變化較大、目標密集以及遮擋嚴重等問題,傳統(tǒng)的目標檢測方法難以達到檢測精度的要求。因此,本文選擇基于深度學習的二階段目標檢測算法Faster R-CNN和一階段目標檢測算法SSD(Single Shot Multibox Detector),結合實驗場景和算法自身特點分別對兩種算法進行改進,并通過實驗驗證改進前后的算法性能。對于二階段目標檢測算法Faster R-CNN,根據數據集的分辨率調整了網絡的輸入;采用ROI Align改進了原算法中高誤差的ROI Pooling候選區(qū)域池化方式;采用Focal Loss對損失函數的分類部分進行優(yōu)化,使訓練過程更加...

【文章頁數】：65 頁

【學位級別】：碩士

【部分圖文】：

圖2.3檢測框內提取Haar特征的過程演示特征值的計算過程如式所示：

杭州電子科技大學碩士學位論文10圖2.3檢測框內提取Haar特征的過程演示Haar特征值的計算過程如式(2.1)所示：()allblackPixelallPixelblackfeaturevaluexweightPixelweightPixel(2.1)可以理解為模板中白色區(qū)域的....

圖2.5圖像金字塔結構

杭州電子科技大學碩士學位論文11如圖2.5所示；（2）按一定比例依次放大檢測窗口，同時窗口內的Haar特征模板也對應變大，然后再依次滑動。圖2.5圖像金字塔結構2.2.2基于SIFT特征的圖像匹配算法圖像中的邊緣點、角點等位置，通常具有較強的顯著性且較容易提齲SIFT特征就是針對....

圖2.12FasterR-CNN結構示意圖

杭州電子科技大學碩士學位論文16其結構如2.13所示。候選區(qū)域輸出特征圖RPN網絡ROIPooling圖2.12FasterR-CNN結構示意圖類別信息檢測框位置信息滑動窗口特征圖k個錨框256-d2k4k圖2.13RPN網絡結構示意圖RPN引入了錨框的機制，在基礎網絡的第五層卷....

圖2.13RPN網絡結構示意圖

杭州電子科技大學碩士學位論文16其結構如2.13所示。候選區(qū)域輸出特征圖RPN網絡ROIPooling圖2.12FasterR-CNN結構示意圖類別信息檢測框位置信息滑動窗口特征圖k個錨框256-d2k4k圖2.13RPN網絡結構示意圖RPN引入了錨框的機制，在基礎網絡的第五層卷....

本文編號：3937740