详情

原文传递基于深度学习的自动驾驶目标检测算法研究

论文题名：	基于深度学习的自动驾驶目标检测算法研究
关键词：	自动驾驶;目标检测;深度学习;注意力机制;特征金字塔
摘要：	随着人工智能技术的快速发展，自动驾驶汽车已成为全球汽车产业发展的战略方向。目标检测作为自动驾驶感知系统的重要组成部分，其检测结果直接影响后续决策行为，进而影响自动驾驶的安全性能。传统目标检测算法的特征泛化能力较差，算法结构设计复杂，难以达到自动驾驶对检测精度和速度的要求。基于深度学习的目标检测算法可有效改善上述不足，满足自动驾驶感知需求。本文针对自动驾驶感知需求，对基于深度学习的二阶段目标检测算法 Faster-RCNN 和一阶段目标检测算法 YOLOv3 进行改进，并在大型自动驾驶目标检测数据集BDD100K上进行算法性能验证。研究主要内容如下：　　针对复杂交通场景遮挡目标定位不准及漏检问题，研究二阶段目标检测算法Faster-RCNN的定位损失函数和边界后处理算法，提出基于改进Faster-RCNN的复杂场景目标检测算法。为提高遮挡目标的定位准确性，在定位损失函数中引入预测框与真实框的重叠程度和位置关系，利用 CIoU Loss 定位函数改进 Faster-RCNN 算法；为缓解遮挡目标的漏检问题，分析 NMS 筛选规则和判断条件的不足，提出 Soft-CIoU-NMS 边界后处理方法。实验结果表明本文所提出的基于改进 Faster-RCNN 的复杂场景目标检测算法在自动驾驶数据集 BDD100K 上的Precision、Recall 和 mAP（mean Average Precision）分别提升了 1.1%、2.5%、3.0%，有效的缓解了复杂交通场景遮挡目标定位不准以及漏检问题。　　针对自动驾驶环境中车辆、行人、交通标志等多尺度目标检测问题，改进YOLOv3 的锚框生成方法和多尺度特征的融合方法，提出基于改进注意力特征金字塔的多尺度目标检测算法。为提高锚框的质量，对数据集中的边界框进行聚类，提出基于 K-Means 和遗传算法的锚框生成方法；为提高多尺度目标检测精度，分析特征金字塔网络的不足，设计合理的多尺度特征融合方法，提出注意力特征金字塔网络。实验结果表明，本文所提出的基于注意力特征金字塔网络的多尺度目标检测算法在引入少量参数的情况下，使大、中、小不同尺度目标的mAP分别提升了0.9%、1.1%、1.0%，有效提升了多尺度目标检测的效果。　　针对自动驾驶目标检测算法的实时部署问题，研究 YOLOv3 轻量化设计方法，提出基于双蓝图卷积网络的轻量化目标检测算法。分析特征提取网络DarkNet53 的冗余性，获得卷积核余弦相似性和通道主成分分析结果；为缓解DarkNet53 的卷积核冗余性和通道冗余性，提出双蓝图卷积网络，使模型更加轻量化。实验结果表明，与 YOLOv3 相比，基于双蓝图卷积网络的轻量化目标检测算法的模型参数减少27.18M，检测速度提升了3fps，mAP提升2.3%。与改进后的 Faster R-CNN 相比，该算法在保持较高检测精度的情况下仍能满足自动驾驶的实时性要求，更加适用于自动驾驶目标检测的场景。
作者：	高晓博
专业：	控制科学与工程;控制理论与控制工程
导师：	付主木
授予学位：	硕士
授予学位单位：	河南科技大学
学位年度：	2022