發(fā)布時間：2025-03-19 05:13

　　智能駕駛環(huán)境感知是車輛決策和控制的關(guān)鍵依據(jù),如何識別車輛可行駛區(qū)域是其中的一項重要研究內(nèi)容。一方面,交通行駛環(huán)境復(fù)雜、多變,車輛可行駛區(qū)域的識別一直難以取得理想的效果;另一方面,智能駕駛對識別算法的準(zhǔn)確性和實時性要求很高,導(dǎo)致算法的實際應(yīng)用條件十分嚴(yán)苛。本文以車輛可行駛區(qū)域為研究對象,通過對深度學(xué)習(xí)算法改進(jìn)和優(yōu)化,并運(yùn)用雙目立體視覺求取三維駕駛場景的空間信息,提出了一種新型基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)的語義分割方法,以期實現(xiàn)智能駕駛場景下車輛可行駛區(qū)域準(zhǔn)確、高效的識別。論文主要工作如下:(1)語義分割的關(guān)鍵技術(shù)依賴于圖像特征。鑒于卷積神經(jīng)網(wǎng)絡(luò)優(yōu)越的特征提取性能,構(gòu)造一種基于CNN“編碼器-解碼器”架構(gòu)的語義分割模型,用于提取可行駛區(qū)域的圖像特征�？紤]到工程實際對實時性的要求,對網(wǎng)絡(luò)深度進(jìn)行淺層化處理。同時,為了保證模型識別準(zhǔn)確率,從網(wǎng)絡(luò)“寬度”改進(jìn)和優(yōu)化,提出了Ournet網(wǎng)絡(luò)模型,識別車輛可行駛區(qū)域。(2)為獲取智能駕駛場景下道路的空間幾何信息,通過雙目立體視覺在圖像RGB特征的基礎(chǔ)上增加深度,建立RGB-D數(shù)據(jù)集,為識別模型提供...

【文章頁數(shù)】：76 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 課題背景與意義
    1.2 可行駛區(qū)域識別研究現(xiàn)狀
    1.3 論文研究內(nèi)容與組織架構(gòu)
        1.3.1 主要研究內(nèi)容
        1.3.2 論文組織架構(gòu)
第二章 卷積神經(jīng)網(wǎng)絡(luò)和圖像語義分割原理
    2.1 語義分割算法
        2.1.1 圖像分割
        2.1.2 圖像語義分割
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.1 深度學(xué)習(xí)概述
        2.2.2 卷積神經(jīng)網(wǎng)絡(luò)
    2.3 論文問題定義與描述
        2.3.1 可行駛區(qū)域數(shù)據(jù)集
        2.3.2 概念定義與表達(dá)
    2.4 本章小結(jié)
第三章 基于“編碼器-解碼器”的可行駛區(qū)域識別模型
    3.1 可行駛區(qū)域識別算法架構(gòu)
        3.1.1 網(wǎng)絡(luò)架構(gòu)
        3.1.2 概率預(yù)測模型
        3.1.3 訓(xùn)練優(yōu)化方法
    3.2 基于卷積神經(jīng)網(wǎng)絡(luò)的“編碼器-解碼器”架構(gòu)
        3.2.1 基于VGGNet的“編碼器-解碼器”架構(gòu)的Segnet
        3.2.2 基于改進(jìn)AlexNet的“編碼器-解碼器”架構(gòu)的Ournet
    3.3 Ournet結(jié)構(gòu)優(yōu)化
        3.3.1 防止過擬合
        3.3.2 Batch Normalization
    3.4 RGB圖像可行駛區(qū)域識別分析
        3.4.1 實驗環(huán)境
        3.4.2 實驗評判標(biāo)準(zhǔn)
        3.4.3 實驗過程
        3.4.4 實驗結(jié)果與分析
    3.5 本章小結(jié)
第四章 結(jié)合語義分割和雙目立體視覺的可行駛區(qū)域識別
    4.1 雙目立體視覺RGB-D
        4.1.1 單目視覺幾何建模
        4.1.2 雙目立體視覺幾何建模
        4.1.3 雙目立體匹配技術(shù)
    4.2 RGB-D圖像可行駛區(qū)域識別分析
        4.2.1 實驗過程與對比方法
        4.2.2 實驗結(jié)果與分析
    4.3 本章小結(jié)
總結(jié)與展望
    總結(jié)
    展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的研究成果
致謝
附件



本文編號：4036717