论文部分内容阅读
完全自主驾驶车辆和辅助驾驶车辆(智能车辆)逐渐进入我们生活。其中,道路场景理解是它们重要组成部分,即智能车辆通过传感器感知前方道路场景信息。智能车辆在正常天气和光照条件下已经取得较好道路场景理解效果。然而,在恶劣天气(雨天、雪天以及雾天等)和光照剧烈变化条件下(白天和晚上等),此时对前方道路场景理解性能则会大大下降。如何在恶劣天气和剧烈光照变化下,提高智能车辆道路场景理解方法鲁棒性和实时性成为亟待解决问题。本论文提出基于视觉跨域道路场景理解。本文提出跨域道路场景理解方法主要包含两部分:跨域道路图像检索(Cross-domain Road Image Retrieval)和跨域道路图像稠密匹配(Cross-domain Road Image Dense Correspondence)。跨域道路图像检索是指给定一幅复杂工况下道路图像,找到与之对应(同一地点)正常工况下道路图像过程。跨域道路图像稠密匹配是指建立复杂工况和与之对应正常工况下道路图像之间稠密对应关系。即,给定复杂工况下道路图像中某像素或像素区域,怎样找到同一地点正常工况下道路图像中与之对应像素或像素区域。在稠密对应关系基础上,则可把正常工况道路图像信息转移到复杂工况道路图像,从而完成对复杂工况道路场景理解。综合以上讨论,本文主要贡献有以下几点:·针对智能车辆在恶劣天气和剧烈光照变化下感知道路环境困难,提出基于稠密匹配和迁移学习跨域道路场景理解方法。本文是首次提出将此方法用于解决复杂工况下道路场景理解难题。·提出一种基于跨域测度学习及子空间对齐的特征变换模型,提高深度特征对道路场景的描述能力。·提出一种跨域道路场景稠密匹配算法,针对不同天气和光照下道路场景存在域分布差异较大问题,构建基于稠密匹配深度网络模型。·测试提出跨域道路场景理解方法,本文构建跨越六种不同天气和光照变化(晴天、阴天、雾天、雪天、晚上和晚上下雨)且包含详细人工标注道路场景数据集。同时,为满足预训练和参数微调深度稠密匹配网络所需大量图像对,分别人工搜集30,000个固定摄像头下不同天气和光照变化室外场景和同一条路线12,387对不同天气和光照道路场景图像。