原文传递
基于深度学习的复杂天气下无人驾驶目标检测方法研究
| 论文题名： | 基于深度学习的复杂天气下无人驾驶目标检测方法研究 |
| 关键词： | 目标检测;无人驾驶;深度学习;数据增强;注意力机制 |
| 摘要： | 无人驾驶技术可以极大地提高交通效率、提高车辆利用率和降低交通事故率，从而极大地提升社会生产力水平，这对于社会的发展和人们生活质量的改善有着重要的推动作用。复杂天气下的无人驾驶目标检测是当前无人驾驶技术的一个重要内容。为了让无人驾驶技术更广泛、更智能的应用到人们的生产生活中，如何提高复杂天气下无人驾驶目标的检测精度就是研究的重中之重。目前，复杂天气下的无人驾驶目标检测主要存在摄取的图像失真、模糊，从而导致无人驾驶目标被漏检或误检等问题。为了解决这些问题，传统方法使用动态视觉、多传感器融合等方式提高复杂天气下对目标的检测精度；深度学习方法利用卷积神经网络提取目标特征，从而判别目标的种类。基于以上问题和研究，本文提出了一种基于注意力机制的复杂天气无人驾驶目标检测算法，主要研究内容有： 1.针对当前网络上没有公开的复杂天气无人驾驶目标数据集的问题，本文首先自采集图像并进行标注，从而得到原始数据集。对于原始数据集类别不均衡、场景不丰富等问题，本文分别使用传统几何变换和像素变换方法、DCGAN深度对抗生成网络方法和改进UNET方法对原始数据集进行数据增强与数据均衡，最终得到一个图像数量丰富、场景多样、类别均衡的优秀数据集DCW2022。 2.复杂天气下的无人驾驶目标检测是目标检测领域极具挑战性的任务之一，它需要在雨雪雾沙尘等干扰天气条件下去实现无人驾驶目标的准确检测。为了提高目标的检测精度，本文使用混合域注意力机制CBAM模块去提升网络对图像边缘轮廓的分析能力，从而提升对图像的特征提取能力；设计二级串联融合注意力机制群SASNet模块去进一步加强网络对目标的特征提取能力并且提升网络对弱小目标的检测能力，从而提升网络在复杂天气下对无人驾驶目标的检测精度。 3.基于2中的策略，本文基于YOLOv5网络，提出了多级串联混合域目标检测网络MHNet。本文首先使用公共数据集VOC2007和MS-COCO去验证MHNet的性能并进行可视化实验。然后使用自建数据集DCW2022去验证MHNet的性能并进行可视化实验。最后对DCW2022数据集中五种复杂天气场景图像分别进行实验验证和可视化实验。最终，实验证明MHNet对于复杂天气下的无人驾驶目标有着良好的检测效果。 |
| 作者： | 张起航 |
| 专业： | 控制工程 |
| 导师： | 朱均超;周伦彬 |
| 授予学位： | 硕士 |
| 授予学位单位： | 天津理工大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
