發(fā)布時間：2024-07-07 02:39

　　環(huán)境感知為自動駕駛技術(shù)提供了重要的數(shù)據(jù)基礎(chǔ),其涉及計算機視覺,自動控制等技術(shù)的綜合運用。自動駕駛設(shè)備對道路環(huán)境的感知能力和做出控制決策的能力依賴于對道路元素的精準(zhǔn)檢測,關(guān)系到車輛行駛的安全性和高效性。本文深入討論道路元素檢測的一種重要類型,即交通標(biāo)志的檢測。為了進一步實現(xiàn)準(zhǔn)確高效的交通標(biāo)志檢測技術(shù),本文在極速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(Faster Region-based Convolutional Neural Networks,Faster R-CNN)的基礎(chǔ)之上做出改進,提出了一種基于深度學(xué)習(xí)的交通標(biāo)志檢測方法。交通標(biāo)志與其它道路元素存在視覺差異,所以對檢測算法也具有不同的要求:交通標(biāo)志在圖像中呈現(xiàn)的可視面積一般都不大,且實際應(yīng)用中對算法具有實時性的要求。在區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(Region-based Convolutional Neural Networks,R-CNN)系列算法中,Faster R-CNN算法在處理目標(biāo)檢測的問題時具有較好的表現(xiàn),但是由于在Faster R-CNN中,區(qū)域候選框網(wǎng)絡(luò)(Region Proposal Networks,RPN)生成的候選框質(zhì)量欠佳且數(shù)量過多...

【文章頁數(shù)】：46 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１－２自動駕駛程度等級??

碑士學(xué)位論文??ＭＡＳＴＥＲ＇Ｓ?ＴＨＥＳＩＳ??工標(biāo)注的數(shù)據(jù)集極為有利；其次，深度學(xué)習(xí)算法允許在ＧＰＵｓ上并行處理圖像，??夯實了模型學(xué)習(xí)的效率，增強了網(wǎng)絡(luò)的預(yù)測能力。??傳麵學(xué)習(xí)｜輸入Ｍ人工特??＞?｜權(quán)重??１專』機益丨一、?｜征提取?｜學(xué)習(xí)?｜結(jié)果??深度學(xué)習(xí)?輸入一＾基....

圖２－３圖像定位與Ｈ標(biāo)檢測??ＰＳＣＡＬ?ＶＯＣｕｙＴｈｅ?ＰＡＳＣＡＬ?Ｖｉｓｕａｌ?Ｏｂｅｃｔ??

碩士學(xué)位論文??ＭＡＳＴＥＲ＇Ｓ?ＴＨＥＳＩＳ??由控制系統(tǒng)做出相應(yīng)的響應(yīng)。在實際應(yīng)用系統(tǒng)中，對于場景中出現(xiàn)的不同類型的??物體，模型首先通過定義邊界框?qū)⑦@些目標(biāo)物體在圖片中所處的位置標(biāo)記出來，??再對其所屬類別進行判定。??ＣＡＴ?ＣＡ�。�?ＣＸ３Ｇ．??圖２－３圖像定位與Ｈ標(biāo)....

圖３－４合并池化方法??為了對最大池化層的效果欠佳之處進行補足，在合并池化方法里面添加了平??－

論文??ＭＡＳＴＥＲ＇Ｓ?ＴＨＥＳＩＳ??最大?＾最大?平均??池化?池化?池化??連接??層??圖３－４合并池化方法??為了對最大池化層的效果欠佳之處進行補足，在合并池化方法里面添加了平??均池化層。從圖３－４中可以看到合并池化方法包含兩步。第一步分別使用最大池??化層和平均池....

圖４－２兩種方法在不同ＩｏＵ下的召回率??由圖４－２可知，圖（ａ）是候選框數(shù)量為２００時兩種算法的召回率對比，圖??（ｂ）是候選框數(shù)量為１０００時兩種算法的召回率對比

（Ｉ倉）卜士學(xué)??ＭＡＳＴＥＲ?Ｓ?ＴＨＥＳＩＳ??不同的是，本文網(wǎng)絡(luò)將ＩｏＬＬ剛Ｓ設(shè)置為０．７５，而且在ＮＭＳ方法之后，僅保留２００??個得分排名靠前的區(qū)域候選框用于目標(biāo)檢測。圖４－２展示了區(qū)域候選框分別為??２００和１０００時，在不同的ＩｏＵ＿ＮＭＳ下兩種方法的召回率對比，以....

本文編號：4003024