论文部分内容阅读
在自动驾驶辅助系统领域,目标检测一直是研究的重点与难点。目前目标检测算法大致分为基于图像处理和基于机器学习两种。基于图像处理的算法使用颜色、纹理、边缘等低层特征检测交通场景图像中的目标区域或边界。但是实际的交通场景受各种自然条件的影响(光照、遮挡、阴雨等)显得极为复杂,利用这些低层特征进行检测效果不佳。相比于基于图像处理的方法,基于机器学习的方法具有较高的鲁棒性。它能利用数据外观的变化来增加样本的多样性,城市交通场景中的目标样本变化越丰富,学习出的目标检测模型就会越精确。其中,深度学习作为机器学习的一个分支,应用十分广泛。但是基于深度学习的算法仍存在很多不足,例如运算复杂度高难以实时应用、小目标检测效果差等。本文针对目前区域卷积神经网络及其扩展算法的检测精度受限于输出卷积图尺寸,不能得到目标准确位置的问题,提出一种基于多任务卷积神经网络的目标定位算法,用于车辆的检测。首先在特征提取阶段,不同的任务共享相同的特征提取层;然后分别针对不同层次信息训练对应的后续网络;最后在提取出高层和低层信息后,融合低层信息和高层信息得到准确的目标位置。在PASCAL VOC 2007数据集和交通场景数据集的实验结果表明,该算法可以有效地提高目标定位的精度。同时,本文还提出一种快速的端到端卷积神经网络,用于车道线等小目标的检测。针对小目标,本文以VGG16网络为基础,调整了网络的感知域,同时将空间域的变化引入候选框的生成机制。在得到小目标候选框(如车道线块等)后,可通过基于优化的方法获得车道线方程。最后在KITTI-ROAD数据集和交通场景数据集上验证了此算法的性能。就小目标车道线块而言,本文的方法平均准确率达到了 64.3%,相比于其他算法性能显著提高。最后本文提出了一种基于漏斗级联结构的卷积神经网络用于交通标志符的检测。该算法以残差网络为基础,结合SSD网络框架,加入带有反卷积操作的漏斗结构,结合高层语义信息和低层位置信息,同时在检测模块引入残差块,优化训练过程。最后在TT100K和GTSDB两个交通标志符数据集测试了算法的性能,虽然算法的检测精度没能达到先进水平,但是相较于其它算法(DSSD、Faster RCNN),算法性能明显提高。