基于视觉的自动驾驶交通场景理解的算法研究

摘要

近年来，在前沿研究技术中自动驾驶技术的发展速度越来越快，这主要得益于深度学习技术与自动驾驶技术的共同研究的越发深入。先进的自动驾驶系统、智能的驾驶辅助系统是提高道路安全，能够减少城市拥堵和改善乘客舒适度是自动驾驶技术的研究期望，这就催生了基于深度学习的计算机视觉算法在自动驾驶技术中的应用。本文就利用深度学习技术与计算机视觉技术对自动驾驶汽车的环境感知技术进行研究，构建了多种算法对不同层次的环境进行理解，具体工作主要包括以下三个方面：　　本文设计了一种低参数量的端到端图像语义分割算法来实现对交通道路场景的理解，探索出使用更加精简的网络模型来消化庞大的交通场景图像数据的方式。首先，根据卷积核提取图像边缘特征的过程提出了新的卷积模块。接着，本文设计了空间激励模块增强网络来捕获图像上下文语义信息。然后，本文搭建一个多阶段编码译码网络结构来充分提取交通道路图像中的细节特征。最后，由于道路场景图像中不同类别目标占比分布不均衡，所以本文提出了调节交叉熵损失函数来调节训练样本对损失函数的影响比重。实验结果表明本文算法与VGG16+FCN模型相比在参数量上能够在下降了25.8%的情况下保持同样的精度，且运行帧数提升了10帧/秒。　　本文主要是为了解决在高曝光、非结构化道路、以及拥挤道路上车道线被遮挡等复杂交通场景下车道线特征不连续或特征信息缺失等车道线检测难点，提出了多尺度的空间卷积结构，利用多种空间尺度和多重有效感受野对不同分辨率特征图进行处理，以此来减少子区域内的上下文特征信息流失。车道前视图中车道线呈现发射状，车道特征向消失点处逐渐减少，限制了卷积核对车道线特征的提取，因此，本文还提出了注意力机制对不同层次的分支进行约束，提高对不同尺度特征的专注度，来感知车道线细节特征。实验数据显示相比基于颜色空间提取方式的车道线检测算法，本文车道线检测算法的正确率能够提升得到大幅度地提升。　　针对目标检测算法中多数按照矩形框进行目标确定，而矩形框无法对带状的车道线进行检测。因此，本文提出了一种基于卷积神经网络的车道线与道路目标同时检测的多任务目标检测算法，能够对道路目标和车道线检测集成在一起实现端到端的输出，提高卷积神经网络的提取图像的特征的复用率。本文算法能够对于常见的道路目标，如行人、汽车、路面标志等目标进行矩形框回归预测，而车道线检测在本文提出的基于注意力机制的车道线检测算法的基础上进行改进融合。实验结果表明双任务网络能够在共用占总参数1/3的主干网中进一步提取各自特征输出准确的目标类别与位置信息。

目录

声明

第1 章绪 论

1.1 论文研究背景及意义

1.2 国内外研究现状

1.3 研究内容与技术方案

1.4 本文组织结构

1.5 本章小结

第2章基于卷积神经网络的低参数道路场景理解

2.1 引言

2.2.1 轻量级网络

2.2.2 模块结构单元

2.3 网络整体架构

2.3.1 编码器

2.3.2译码器

2.3.4 整体结构

2.4.1 样本不均衡

2.4.2 交叉熵

2.4.3 调节交叉熵

2.5 实验结果分析

2.5.1 数据集准备与测试指标

2.5.2 对比实验结果与分析

2.5.3 输出效果图对比

2.6 本章小结

第3章基于注意力机制的车道线位置信息理解算法

3.1 引言

3.2 基于深度学习的车道线检测方案分析

3.3 注意力机制

3.3.1 车道线尺度变化

3.3.2 层次损失优化

3.4 特征尺度缩放

3.4.1 多尺度空间卷积

3.4.2 车道线检测整体结构

3.5 实验结果分析

3.5.1数据集与评估指标

3.5.2 损失函数曲线对比

3.5.3 车道线检测效果对比

3.6 本章小结

第4章交通道路目标与车道线位置信息多任务理解算法

4.1 引言

4.2 多类型目标检测算法

4.2.1 目标检测流程

4.2.2 矩形框网络设计

4.2.3 矩形框损失误差分析

4.3 多任务检测模型

4.3.1 多任务监督信号

4.3.2 多任务模型网络结构

4.3.3 异步交替式调优

4.4.1数据集准备

4.4.2模型训练对比

4.4.3模型输出效果图

4.5 本章小结

结论与展望

结论

展望

致谢

参考文献

攻读硕士学位期间发表的论文及科研成果