發(fā)布時間：2024-07-07 02:39

　　環(huán)境感知為自動駕駛技術提供了重要的數(shù)據(jù)基礎,其涉及計算機視覺,自動控制等技術的綜合運用。自動駕駛設備對道路環(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檢測,關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,即交通標志的檢測。為了進一步實現(xiàn)準確高效的交通標志檢測技術,本文在極速區(qū)域卷積神經網絡(Faster Region-based Convolutional Neural Networks,Faster R-CNN)的基礎之上做出改進,提出了一種基于深度學習的交通標志檢測方法。交通標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:交通標志在圖像中呈現(xiàn)的可視面積一般都不大,且實際應用中對算法具有實時性的要求。在區(qū)域卷積神經網絡(Region-based Convolutional Neural Networks,R-CNN)系列算法中,Faster R-CNN算法在處理目標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)域候選框網絡(Region Proposal Networks,RPN)生成的候選框質量欠佳且數(shù)量過多...

【文章頁數(shù)】：46 頁

【學位級別】：碩士

【部分圖文】：

圖１－２自動駕駛程度等級??

碑士學位論文??ＭＡＳＴＥＲ＇Ｓ?ＴＨＥＳＩＳ??工標注的數(shù)據(jù)集極為有利；其次，深度學習算法允許在ＧＰＵｓ上并行處理圖像，??夯實了模型學習的效率，增強了網絡的預測能力。??傳麵學習｜輸入Ｍ人工特??＞?｜權重??１�！粰C益丨一、?｜征提取?｜學習?｜結果??深度學習?輸入一＾基....

圖２－３圖像定位與Ｈ標檢測??ＰＳＣＡＬ?ＶＯＣｕｙＴｈｅ?ＰＡＳＣＡＬ?Ｖｉｓｕａｌ?Ｏｂｅｃｔ??

碩士學位論文??ＭＡＳＴＥＲ＇Ｓ?ＴＨＥＳＩＳ??由控制系統(tǒng)做出相應的響應。在實際應用系統(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將這些目標物體在圖片中所處的位置標記出來，??再對其所屬類別進行判定。??ＣＡＴ?ＣＡ�。�?ＣＸ３Ｇ．??圖２－３圖像定位與Ｈ標....

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??ＭＡＳＴＥＲ?Ｓ?ＴＨＥＳＩＳ??不同的是，本文網絡將ＩｏＬＬ剛Ｓ設置為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