论文部分内容阅读
行车环境感知是无人驾驶技术中的关键环节,是决策与控制的前提与基础,准确、可靠、实时的环境感知是智能车行车安全性和智能性的保障。基于机器视觉的行车环境感知技术具有硬件成本低、可感知信息量大等优点,尤其是近年来深度学习在图像处理与识别方面取得的技术突破,为面向智能车的行车环境视觉感知提供了新的解决方法。论文针对智能车视觉感知中的图像特征提取与分类器设计两大共性问题,围绕行车环境中多种交通参与要素的视觉感知关键技术进行研究,主要内容包括:（1）提出了一种基于全卷积深度神经网络模型和条件随机场的路面检测算法首先,采用具有13个卷积层和5个池化层的VGG16深度卷积神经网络作为基础网络,设计一组三个不同跨度的上采样预测输出层,实现与原始输入图像同等大小的、像素级的道路分割图像输出;其次,结合条件随机场,对上采样预测输出层输出结果中路面边缘部分进行优化组合,实现了路面的精确分割。测试结果表明,所提算法的路面检测准确率比最近邻方法提高约6%,比K-均值提高约4.5%,比鲁棒高斯方法提高约4.1%,是一种更有效的道路检测方法。（2）提出了一种基于路面先验的结构化道路标线检测与识别算法首先,基于道路路面先验检测结果,利用颜色对比度定义图像显著性,通过滑窗搜索最终确定感兴趣区域;其次,采用VGG16深度卷积神经网络架构,实现减速让行线、导向箭头、停车让行线、禁止掉头标记、车行道宽度渐变提示线、限速标识线等6种道路标线的识别。测试结果表明,所提算法比传统方法精度提高近20%,平均运行时间从90ms减少到52ms,可以满足复杂行驶环境下智能车结构化道路标线检测与识别的要求。（3）提出了一种基于层次显著性循环卷积神经网络的车辆目标检测算法首先,基于训练好的VGG模型对输入图片进行显著性检测,得到粗略显著性图;采用层次循环卷积网络进行进一步逐层细化,得到最终精细的显著性图;其次,采用自适应阈值分割方法对显著性目标区域进行提取。测试结果表明,所提算法在KITTI测试库上测试精准率（0.91）、召回率（0.88）和F值（0.89）,能够为智能车对车辆目标检测提供一种有效手段。（4）设计了一种基于HOG-Gabor与Softmax的交通标志识别方法首先,提取HOG特征与Gabor特征,将提取的HOG和Gabor特征向量串联,得到扩增特征向量;其次,采用Softmax分类器对扩增向量进行分类,从而实现交通标志识别。测试结果表明,所提算法在德国交通标志识别基准数据库上的测试识别率为97.68%,耗时0.08 ms/张,在识别正确率和实时性方面得到了显著提高。（5）设计了一种基于D-S证据组合理论的行人检测方法首先,从输入图像中提取HOG特征和LBP特征,将两类特征分别单独通过概率SVM获得有无行人的后验概率输出和2个独立证据;其次,根据后验概率求取每个独立证据的基本信度分配,使用基于矩阵分析的D-S证据组合算法,将2个独立基本信度融合并输出为一个新的信任函数取值;最后,基于该信任函数制定决策规则,实现行人有无判定。试验结果表明,该方法能够有效地实现行人HOG特征和LBP特征在决策级的融合,充分利用HOG特征善于刻画行人轮廓、LBP特征善于刻画行人外表纹理等两种特征的综合优势,改善了行人检测算法的性能。上述方法在相关图像基准数据集上进行了试验验证,结果表明上述方法能够为智能车行车环境感知提供有效的解决方案;而且本文对基于深度框架的行车环境参与要素检测方法进行了多种探索,试图挖掘与揭示深度卷积网络内部目标特征的学习机理,为基于深度系统的自动驾驶任务提供多种有效可靠的算法,具有一定潜在的实用价值。