VIII1、緒論1.1研究背景及意義作為移動(dòng)通信的新一代的主要技術(shù)，5G技術(shù)在近幾年被各個(gè)國(guó)家廣泛迅速的開展研究。與此同時(shí)，通信設(shè)備的數(shù)量逐漸增多。相比以往的3G、2G無線技術(shù)，現(xiàn)如今的第四代（4G）無線在傳輸速度上更快且具有協(xié)同多點(diǎn)傳輸?shù)哪芰?，目前通信網(wǎng)絡(luò)的日益飽和化狀態(tài)無法解決，現(xiàn)今的移動(dòng)通信網(wǎng)絡(luò)技術(shù)已經(jīng)無法在信息量劇增與多環(huán)境變化情況下起到本該具有的優(yōu)點(diǎn)。因此，5G無線技術(shù)誕生。5G更加寬廣的頻譜帶寬，極大程度的提高了傳輸速率和使用率，能夠真正滿足現(xiàn)階段通信網(wǎng)絡(luò)中的需求與現(xiàn)有問題的解決。1.2國(guó)內(nèi)外目前研究現(xiàn)狀1.2.15G通信技術(shù)研究現(xiàn)狀通過技術(shù)的核心由4G逐漸轉(zhuǎn)向5G，近兩年5G技術(shù)已經(jīng)被廣泛研究并逐步使用在生活當(dāng)中，5G的發(fā)展有了不小的突破。吾梅等人利用了OFDM技術(shù)，即正交頻分復(fù)用的MIMO模型，頻譜的利用效率被大大提高。Fredrik[1]為了解決大規(guī)模天線無法安裝在用戶端的問題，將MIMO布局在基站蜂窩中，對(duì)通信容量起到了一定的提升。Z.P[1]提出了一種毫米波通信系統(tǒng)模型將其應(yīng)用于20GHZ-300GHZ頻段通信系統(tǒng)中。S.Sun[2]等人在下一代無線通信網(wǎng)絡(luò)中融于毫米波通信技術(shù)以達(dá)到大大提高數(shù)據(jù)傳輸速度的目的。1.2.2無人駕駛目標(biāo)識(shí)別研究現(xiàn)狀對(duì)于無人車輛在道路行駛時(shí)，道路上的各種物體會(huì)對(duì)車輛有一定的阻礙作用，在自動(dòng)駕駛時(shí)，這些道路的障礙物不能被及時(shí)檢測(cè)識(shí)別出來以此做出相應(yīng)避讓，將會(huì)對(duì)生命財(cái)產(chǎn)等造成巨大的損失，因此無人駕駛目標(biāo)識(shí)別任務(wù)是無人駕駛整個(gè)過程中必不可少的一個(gè)重要環(huán)節(jié)。目標(biāo)，根據(jù)研究表明，所有交通事故中有30%是車輛與前后車造成的碰撞，因此對(duì)前方道路目標(biāo)進(jìn)行檢測(cè)識(shí)別并根據(jù)路面情況做出相應(yīng)的避讓是一項(xiàng)關(guān)鍵技術(shù)，同時(shí)這也是近幾年來的主要研究方向，本文也將從該點(diǎn)入手分析，目前行駛路途中的目標(biāo)識(shí)別算法有以下幾點(diǎn)說明:模板匹配目標(biāo)車輛檢測(cè)算法，算法首先會(huì)將不同類型車輛的圖像存入模板庫(kù)中，緊接著提取目標(biāo)特征與模板庫(kù)圖像進(jìn)行相似度比對(duì)。這種方法無法獲得任何情況下的所有模板，這就使得算法的環(huán)境較復(fù)雜時(shí)候的檢測(cè)準(zhǔn)確性較差，因此希望以提升該算法檢測(cè)準(zhǔn)確性，Ben[3]等人將在進(jìn)行車牌識(shí)別時(shí)利用了矩形二維模型以此提高了準(zhǔn)確性。Collado[4]等人在2004年基于精準(zhǔn)二維車輛模型，結(jié)合遺傳算法，提高了車輛目標(biāo)檢測(cè)的效果。背景差分目標(biāo)車輛檢測(cè)算法：使用背景差分進(jìn)行檢測(cè)，該算法利用前后時(shí)刻幀圖像的差分將運(yùn)動(dòng)目標(biāo)從背景中分離出來，這種方法存在很大的局限性。因?yàn)樾枰@得的視頻盡量保證背景穩(wěn)定，但車輛在運(yùn)動(dòng)過程中無法保證這一點(diǎn)。因此，數(shù)據(jù)如何使用也是一大難點(diǎn)。王洪斌[5]等人在不斷變化的外界環(huán)境中利用動(dòng)態(tài)背景差分法，提高了檢測(cè)能力，但該方法對(duì)靜態(tài)背景的下的運(yùn)動(dòng)目標(biāo)檢測(cè)效果較好，對(duì)于無人駕駛?cè)蝿?wù)，因?yàn)檐囕v運(yùn)動(dòng)時(shí)無法保證背景的穩(wěn)定，因此這種基于背景差分的檢測(cè)方法并不適用于道路檢測(cè)。隨著技術(shù)的不斷更新，深度學(xué)習(xí)被廣泛應(yīng)用于圖像處理中，深度學(xué)習(xí)是一種具有學(xué)習(xí)數(shù)據(jù)與本身內(nèi)部的高維特征信息的算法，這種動(dòng)態(tài)的學(xué)習(xí)過程可以更好的刻畫語(yǔ)音、圖像等數(shù)據(jù)的差異性。它本身可以比擬人的思維，通過學(xué)習(xí)達(dá)到自動(dòng)化的目的。深度學(xué)習(xí)是建立在傳統(tǒng)機(jī)器學(xué)習(xí)上進(jìn)行改進(jìn)的，相比傳統(tǒng)的一些算法，深度學(xué)習(xí)具有無法超越的優(yōu)越性。直到上世紀(jì)，哈弗大學(xué)的PaulWerbos率先發(fā)明了BP網(wǎng)絡(luò)算法，神經(jīng)網(wǎng)絡(luò)這才被大家所漸漸熟知。但那時(shí)的神經(jīng)網(wǎng)絡(luò)只停留在基礎(chǔ)層面仍然存在很多缺陷，同時(shí)神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)有很多無法解釋的技巧，因此神經(jīng)網(wǎng)絡(luò)便發(fā)展緩慢。傳統(tǒng)的機(jī)器學(xué)習(xí)對(duì)數(shù)據(jù)提取的特征本質(zhì)上是淺層特征，無法體現(xiàn)深層次的表征方式，對(duì)某些任務(wù)并不能起到一定的效果，因此利用深度學(xué)習(xí)可以進(jìn)一步提取深層次的特征。深度卷積神經(jīng)網(wǎng)絡(luò)可以提取到數(shù)據(jù)的更加細(xì)致的特征，而傳統(tǒng)特征只能由人工去設(shè)計(jì)特征進(jìn)行提取。對(duì)于車輛圖像來說，可以更極致的提取車輛變化而導(dǎo)致特征發(fā)生變化的影響，具有一定的更高的泛化能力和準(zhǔn)確率。1.3章節(jié)概述第一章，緒論，本章涉及研究背景，主要介紹了研究意義、現(xiàn)階段無人駕駛目標(biāo)識(shí)別研究現(xiàn)狀。第二章，無人駕駛通信系統(tǒng)理論分析，本章通過對(duì)5G通信相關(guān)技術(shù)進(jìn)行講述，并在MIMO基礎(chǔ)上構(gòu)建5G無線傳輸系統(tǒng)模型。第三章，深度學(xué)習(xí)無人駕駛識(shí)別技術(shù)，本章主要介紹了深度學(xué)習(xí)FasterR-cnn網(wǎng)絡(luò)，結(jié)合深度學(xué)習(xí)算法對(duì)無人駕駛識(shí)別搭建了模型網(wǎng)絡(luò)。第四章，無人駕駛目標(biāo)識(shí)別系統(tǒng)設(shè)計(jì)，本章通過搭建深度學(xué)習(xí)分類網(wǎng)絡(luò)，對(duì)數(shù)據(jù)樣本集進(jìn)行了訓(xùn)練建模，并對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行了測(cè)試，得到了較好的識(shí)別精度。第五章，利用MATLAB對(duì)上述數(shù)據(jù)進(jìn)行整理歸納。第六章，總結(jié)，本章總結(jié)了論文的研究成果以及今后還需在哪些方面做進(jìn)一步的改進(jìn)。第七章，致謝。2、無人駕駛通信系統(tǒng)理論分析2.1電磁波傳播模型的分類直射直射是此模型最基本的類型，它指的是垂直射向兩種介質(zhì)分界面。反射電磁波在遇到障礙物時(shí)發(fā)生的現(xiàn)象就叫反射，從而形反射波。折射障礙物介質(zhì)表面和里面屬于兩個(gè)介質(zhì)，參數(shù)不同，從而對(duì)電磁波的影響也不同。這就表明了電磁波在障礙物表面會(huì)改變?cè)九c介質(zhì)交界處夾角的大小。散射電磁波在空氣中傳播時(shí)常常受到云，雨等水汽凝結(jié)物的散射。散射可分為以下兩類：分為瑞利散射過程和拉曼散射過程。如圖2-1所示，不同的電磁波的傳播方式可以有直觀的理解。2.25G通訊技術(shù)概述自上世紀(jì)以來，移動(dòng)通信技術(shù)不斷更新?lián)Q代，其應(yīng)用范圍廣，被各個(gè)領(lǐng)域所使用。隨著通信技術(shù)的深入研究，各種新型技術(shù)使用通信網(wǎng)絡(luò)更加快速便捷。目前，現(xiàn)如今的4G通信網(wǎng)絡(luò)已經(jīng)無法滿足用戶追求更快速的傳輸速率等等，因此為了解決當(dāng)下問題，5G通信技術(shù)手段成為目前通信技術(shù)的核心，正在努力研發(fā)以追求更高的傳輸速率，使其能夠較好的應(yīng)用在不同情況的環(huán)境中，給予我們不同的服務(wù)和不一樣的體驗(yàn)，5G有諸多優(yōu)勢(shì)：傳輸、信道容量高。5G通信手段是一種特殊加密處理的技術(shù)，這是4G網(wǎng)絡(luò)通信所不具備的優(yōu)點(diǎn)，為數(shù)據(jù)安全和用戶體驗(yàn)提供了更加強(qiáng)大的保障。5G相對(duì)于以往的通信技術(shù)，其具有多種核心優(yōu)點(diǎn)，使得5G技術(shù)能夠在未來多種場(chǎng)景下?lián)?dāng)重任。相比以往其優(yōu)點(diǎn)有如下幾點(diǎn)：（1）傳輸速度快這兩年里，5G通信手段的數(shù)據(jù)傳輸速度遠(yuǎn)遠(yuǎn)高于之前的任何一種通信技術(shù)。上一代的4G技術(shù)，其傳輸速度可以達(dá)到100Mbps，而5G技術(shù)按目前研究進(jìn)度最快傳輸速度可達(dá)10Gbps，將以前上小時(shí)的任務(wù)時(shí)間一下子縮短到幾分鐘甚至是幾秒鐘。（2）頻譜資源充足按照上一代4G技術(shù)的應(yīng)用，現(xiàn)階段用戶數(shù)量與設(shè)備數(shù)量不斷的增多，導(dǎo)致網(wǎng)絡(luò)變得十分擁堵，速度明顯下降，這樣看來對(duì)于低頻段的技術(shù)已經(jīng)由于用戶的增多變得越來越慢，這嚴(yán)重的影響了用戶的體驗(yàn)。而5G通信手段將使用更加高的頻段帶以解決目前擁堵網(wǎng)絡(luò)的現(xiàn)狀問題。這樣豐富的頻譜資源的5G技術(shù)在未來可以應(yīng)用在各個(gè)場(chǎng)景下，同時(shí)也會(huì)提高安全性。而利用毫米波進(jìn)行傳播則是5G技術(shù)的核心內(nèi)容。（3）系統(tǒng)傳輸效率大幅度提高隨著時(shí)間的推移，massiveMIMO技術(shù)將作為5G技術(shù)的核心傳輸手段，它可以成倍的提高網(wǎng)絡(luò)的通信速度。這種技術(shù)利用在不同發(fā)射接收端增加天線數(shù)量來達(dá)到提升傳輸速率，在數(shù)據(jù)傳輸?shù)倪^程中合理調(diào)用分配的頻譜資源，將頻譜資源利用率達(dá)到最大化?；贚TE的4G技術(shù)中同樣融入了MIMO技術(shù)，但一般少于8根的天線系統(tǒng)，無法將系統(tǒng)的優(yōu)點(diǎn)完全體現(xiàn)出來。因此，在5G手段上可以增加天線的數(shù)量，以此充分提高系統(tǒng)的優(yōu)勢(shì)。 毫米波傳輸技術(shù)和massiveMIMO系統(tǒng)技術(shù)是當(dāng)今研究5G技術(shù)發(fā)展的核心手段。其主要內(nèi)容如下：毫米波傳輸系統(tǒng)由5G與以往通信技術(shù)的對(duì)比可知，3GHz頻段的以往通信技術(shù)在大量設(shè)備與用戶的注入后網(wǎng)絡(luò)變得十分緩慢，網(wǎng)絡(luò)的傳輸速率嚴(yán)重降低。所以，為了解決現(xiàn)有問題用更高頻段通信去代替現(xiàn)有技術(shù)?，F(xiàn)在用來傳輸?shù)臒o線電磁波的波長(zhǎng)過長(zhǎng)，在5G系統(tǒng)中無法使用，因此希望尋找一種更低波長(zhǎng)的傳輸方式來代替現(xiàn)有手段。而毫米波顧名思義，其波長(zhǎng)僅為毫米級(jí)別，雷達(dá)系統(tǒng)等經(jīng)常使用，在某些特定的基站之間信號(hào)的傳輸場(chǎng)景也會(huì)使用。鑒于毫米波自身具有的特性，它適合在30GHz-300Hz頻段進(jìn)行使用。本文構(gòu)思的網(wǎng)絡(luò)是結(jié)合5G通信手段的無人駕駛系統(tǒng)，該系統(tǒng)的通信部分是結(jié)合毫米波與基站進(jìn)行傳輸信息。（2）massiveMIMO和波束賦形MassiveMIMO在5G技術(shù)中是一個(gè)重要的部分。利用安裝在基站上的大量天線，使得天線以一定的形式排列組合，對(duì)指定方位目標(biāo)發(fā)射波形信號(hào)。波束形成的示意圖如下圖所示圖2-2中為波束形成的示意圖，波束可以指向不同的方向即藍(lán)色部分，每個(gè)藍(lán)色部分為3部分，其中中間的為主要能量區(qū)域。massiveMIMO天線系統(tǒng)如下圖所示圖2-3中左半部分是基站端（發(fā)射端），其中囊括i條天線發(fā)射信號(hào)。右半部分是接收端，包含有j條天線。2.3基于5G無線通信的信號(hào)傳輸系統(tǒng)模型2.3.1信號(hào)傳輸模型（1）路徑損耗模型道路損耗，信號(hào)和傳輸過程，分布和損耗狀態(tài)是損耗的主要原因。這個(gè)模型的概率如下式：其中，是視距傳播的路徑損耗概率，是非視距傳播的路徑損耗概率。和是環(huán)境參數(shù)，是車輛相對(duì)基站的垂直角。毫米波信道傳輸模型如若信號(hào)在massiveMIMO系統(tǒng)傳輸為非視距傳輸，其信道傳輸模型是：（3）整體方案思路從圖2-4中可以看出，無人機(jī)駕駛框架整體基于5G通信技術(shù)，由于5G具有的高速通信、延遲極低的特性，為無人駕駛設(shè)備的要求技術(shù)難度大大降低。通過5G通信手段，實(shí)現(xiàn)車載設(shè)備與基站端的實(shí)施通信，發(fā)射端將視頻信號(hào)實(shí)時(shí)傳輸，接收端進(jìn)行目標(biāo)檢測(cè)算法將結(jié)果指令發(fā)送給車輛實(shí)施避讓等操作，從而實(shí)現(xiàn)無人駕駛的目標(biāo)檢測(cè)能力。從圖中可以知道，汽車實(shí)時(shí)視頻通過5G信號(hào)經(jīng)過基站發(fā)送給服務(wù)器，服務(wù)器將視頻實(shí)時(shí)目標(biāo)檢測(cè)處理，根據(jù)處理結(jié)果將指令再通過基站傳輸給車輛，從而讓車輛進(jìn)行避讓操作。圖2-45G無人駕駛通信示意圖2.4本章小結(jié)本章主要對(duì)5G基礎(chǔ)內(nèi)容進(jìn)行了介紹，分析了5G技術(shù)相較于以往通信技術(shù)的優(yōu)勢(shì)，并闡述了目前5G技術(shù)的兩種關(guān)鍵技術(shù)，并建立基于5G無人駕駛通信網(wǎng)絡(luò)以及信號(hào)傳輸系統(tǒng)模型。3、無人駕駛技術(shù)在5G網(wǎng)絡(luò)中的應(yīng)用3.1無人駕駛等級(jí)自動(dòng)駕駛不能稱為無人駕駛，真正的無人駕駛是汽車未來的研究發(fā)展方向，對(duì)汽車行業(yè)、交通領(lǐng)域有著深遠(yuǎn)的影響。尤為重要的一點(diǎn)是，它可大大減少交通事故的發(fā)生，保證人們?nèi)松戆踩?。在?guó)際上為無人駕駛劃分了不同的水準(zhǔn)：水準(zhǔn)1：司機(jī)可以對(duì)車輛進(jìn)行完全的操控，這也是目前車輛所處的環(huán)境狀態(tài)。水準(zhǔn)2：司機(jī)除了對(duì)車輛進(jìn)行操控完，存在一定的自動(dòng)化裝置，例如自動(dòng)剎車，在司機(jī)無法反應(yīng)的情況下，自動(dòng)剎車會(huì)自動(dòng)啟動(dòng)。水準(zhǔn)3：在水準(zhǔn)2的基礎(chǔ)上擁有多項(xiàng)自動(dòng)化控制技術(shù)，目前司機(jī)仍然具有絕大多數(shù)控制權(quán)。水準(zhǔn)4：在水準(zhǔn)3的基礎(chǔ)上可以自動(dòng)閃避幾引導(dǎo)。水準(zhǔn)5：司機(jī)不需要對(duì)車輛進(jìn)行控制，完全由車輛自主駕駛，既真正意義上的自動(dòng)駕駛。不同的無人駕駛的等級(jí)也要求對(duì)于通信的不同要求，對(duì)于通信網(wǎng)絡(luò)的要求，至少需要滿足：通信不能中斷，通信速度快，高精度的北斗導(dǎo)航系統(tǒng)。3.2無人駕駛在5G網(wǎng)絡(luò)中的實(shí)際應(yīng)用無人駕駛技術(shù)與5G網(wǎng)絡(luò)的結(jié)合，那么必然需要5G網(wǎng)絡(luò)在大部分環(huán)境中提供保障，而無人駕駛技術(shù)所需的條件，5G技術(shù)可以給予支持。在高精度地圖上，需要實(shí)時(shí)的傳輸?shù)貓D信息，以提前獲取道路信息從而進(jìn)行交互的識(shí)別與導(dǎo)航。而對(duì)于該部分的通信手段要求達(dá)到毫秒級(jí)別，而5G的傳輸速度極高，端到端的延時(shí)達(dá)到ms級(jí)別。另外，無人駕駛必然需要車輛間的通信來提高道路的通行效率。5G的低延遲高帶寬正好符合這種情況。而在有效進(jìn)行避讓的前提就是能夠識(shí)別即將發(fā)生的事情，也是無人駕駛中的重要一個(gè)環(huán)節(jié)，那就是識(shí)別任務(wù)，只有進(jìn)行了有效的識(shí)別，才能夠進(jìn)行有效的避讓。因此，不僅要進(jìn)行識(shí)別，識(shí)別的效果也將決定著無人駕駛的安全保障，而傳統(tǒng)的識(shí)別方法的精確度存在一定的要求，而深度學(xué)習(xí)可以充分對(duì)樣本進(jìn)行特征挖掘，保證一定程度上的識(shí)別準(zhǔn)確性。本文將結(jié)合深度學(xué)習(xí)進(jìn)行無人駕駛技術(shù)的識(shí)別任務(wù)。4、深度學(xué)習(xí)無人駕駛識(shí)別技術(shù)4.1基本網(wǎng)絡(luò)結(jié)構(gòu)2015年，F(xiàn)asterR-CNN網(wǎng)絡(luò)模型被第一次提出，隨著不斷的研究，F(xiàn)asterR-CNN被不斷改進(jìn)，本文采用的是改進(jìn)的FasterR-CNN網(wǎng)絡(luò)。FasterR-CNN網(wǎng)絡(luò)其主要優(yōu)點(diǎn)在于利用卷積層去自動(dòng)生成錨框，更加具有創(chuàng)新性，達(dá)到了更加有效快速的目標(biāo)檢測(cè)準(zhǔn)確性，將四個(gè)部分連接在一個(gè)網(wǎng)絡(luò)里，分別是特征提取、候選區(qū)域提取、候選框回歸和分類網(wǎng)絡(luò)。同時(shí)將傳統(tǒng)的選擇性搜索方法拋棄，改使用RPN（RegionProposalNetwork,區(qū)域生成網(wǎng)絡(luò)），其特殊的形式能夠極大的縮短生成候選區(qū)域的速度，同時(shí)也進(jìn)一步提高了網(wǎng)絡(luò)的準(zhǔn)確性。FasterR-CNN網(wǎng)絡(luò)的創(chuàng)新點(diǎn)：RPN結(jié)構(gòu)的使用、特征提取。RPN結(jié)構(gòu)部分的訓(xùn)練步驟如下：運(yùn)用現(xiàn)存預(yù)訓(xùn)練好的模型如VGG模型對(duì)RPN初始化，利用反向傳播和梯度下降進(jìn)行網(wǎng)絡(luò)的訓(xùn)練。將RPN網(wǎng)絡(luò)提取的候選框輸入進(jìn)FastR-CNN。繼續(xù)訓(xùn)練RPN網(wǎng)絡(luò)部分，只對(duì)RPN網(wǎng)絡(luò)進(jìn)行參數(shù)的更新。將RPN輸出對(duì)比fastR-CNN,將參數(shù)進(jìn)行微調(diào)，進(jìn)一步優(yōu)化參數(shù)。經(jīng)過上述步驟，網(wǎng)絡(luò)相比傳統(tǒng)生成候選區(qū)域的速度極大提升，同時(shí)對(duì)整體網(wǎng)絡(luò)還有著十分高的檢測(cè)識(shí)別精度，整體網(wǎng)絡(luò)模型如下圖所示。圖4-1在FastR-CNN中，利用了一種名為選擇性搜索的技術(shù)手段，這樣可以尋找定位目標(biāo)。但提取耗時(shí)太長(zhǎng)，而在實(shí)際應(yīng)用中大量的時(shí)間浪費(fèi)將導(dǎo)致實(shí)時(shí)性的實(shí)現(xiàn)。隨著研究人員的深入研究，為了解決該時(shí)間的大量浪費(fèi)問題。一種區(qū)域生成網(wǎng)絡(luò)被應(yīng)用于實(shí)際中,即RPN結(jié)構(gòu)，這種結(jié)構(gòu)可以減少定位時(shí)間的大量浪費(fèi)。在FastR-CNN網(wǎng)絡(luò)結(jié)構(gòu)中增加RPN結(jié)構(gòu)代替選擇算法，大大提高了提框能力。圖4-24.2區(qū)域建議網(wǎng)絡(luò)（RPN）區(qū)域建議網(wǎng)絡(luò)結(jié)構(gòu)主要的目的是首先對(duì)提取到的特征進(jìn)行處理，從而得到建議處理的全卷積神經(jīng)網(wǎng)絡(luò)，得到的sharedmap分為兩類。而其中輸入信息則是先利用預(yù)處理網(wǎng)絡(luò)進(jìn)行基礎(chǔ)的特征提取。RPN網(wǎng)絡(luò)具有與選擇性算法相似的一些地方，這兩種方式都是在輸入數(shù)據(jù)上直接進(jìn)行區(qū)域的選擇，預(yù)處理網(wǎng)絡(luò)有很多，以ZF-Net網(wǎng)絡(luò)為例。圖4-3現(xiàn)有基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)的示意圖RPN網(wǎng)絡(luò)在經(jīng)過CNN后獲得的featuremap上用n*n的窗口進(jìn)行sliding，RPN結(jié)構(gòu)示意圖如下圖4-4中的示意圖所示:圖4-4RPN網(wǎng)絡(luò)結(jié)構(gòu)的示意圖候選區(qū)域提取的過程如下：一些跨界窗口，比如候選框中超出了原圖像的部分可以舍棄；目標(biāo)確定時(shí)，將樣本重疊率大于70%的標(biāo)記為前景，而小于30%的標(biāo)記為背景，所謂的重疊率就是預(yù)測(cè)框與真實(shí)框的重疊。通過對(duì)訓(xùn)練樣本框的選擇，將會(huì)留下近乎2000個(gè)框，接著輸入兩條支路，即目標(biāo)分類、邊框回歸。對(duì)候選窗口依次判斷，再通過設(shè)定閾值對(duì)其進(jìn)行篩選排除。4.3錨框錨窗是RPN網(wǎng)絡(luò)中的一個(gè)關(guān)鍵，錨框起到了優(yōu)選框的作用，它可以對(duì)不同的大小的目標(biāo)檢測(cè)時(shí)，都可以使之有在感受野之內(nèi)的框。錨框示意圖如下圖4-5所示。圖4-5錨框示意圖一般情況下，共有9種不同尺寸的錨框，尺寸數(shù)據(jù)如下：表1錨框尺寸數(shù)據(jù)對(duì)于錨框的位置有一定的說法，如果確定了區(qū)域，則錨定錨框的位置由確定的邊界閾值限制，如果錨超過此邊界閾值，請(qǐng)斷開連接，截?cái)嗖僮髦蟮玫降腻^框位置才是最終確定的錨框位置。錨框的大小與訓(xùn)練圖像的大小有著關(guān)系，卷積后的結(jié)果要映射回輸入圖像。生成相應(yīng)的錨框后，對(duì)其RPN網(wǎng)絡(luò)進(jìn)行后續(xù)訓(xùn)練。對(duì)于錨框來說，主要可以分為以下三種類型：正樣本正樣本主要由兩種情況樣本構(gòu)成，第一種是在所有錨框中找到其與標(biāo)簽面積重疊率最高的錨框；而第二種是與除過重疊率最高的錨框以外，重疊率在70%以上。同時(shí)正樣本標(biāo)簽設(shè)置為1。負(fù)樣本相對(duì)于正樣本，負(fù)樣本則是與標(biāo)簽無關(guān)的。無關(guān)樣本除過正負(fù)以外的所有錨框，將它們定義為無關(guān)樣本，同樣的將無關(guān)樣本的標(biāo)簽設(shè)置為-1。在這些樣本當(dāng)中，正樣本還需要作為回歸信息，即對(duì)錨框做怎樣的修正，才能逼近真實(shí)的bounding-box；而無關(guān)樣本即背景，不會(huì)影響網(wǎng)絡(luò)訓(xùn)練的結(jié)果。4.4網(wǎng)絡(luò)訓(xùn)練設(shè)計(jì)網(wǎng)絡(luò)的代價(jià)函數(shù)如式所示：其中，t的計(jì)算方法如下式所示：其中，x，y，w，h分別代表著在預(yù)測(cè)結(jié)果中，區(qū)域框的中心坐標(biāo)以及其長(zhǎng)度和寬度；而，，和分別代表錨框的中心坐標(biāo)以及其長(zhǎng)度和寬度。對(duì)于卷積神經(jīng)網(wǎng)絡(luò)來說，它能夠?qū)δ繕?biāo)進(jìn)行準(zhǔn)確的檢測(cè)和識(shí)別特征提取，具有端到端訓(xùn)練的網(wǎng)絡(luò)特性，在無人駕駛的道路目標(biāo)識(shí)別任務(wù)來說，其主要的訓(xùn)練過程步驟如圖所示。圖4-6通過卷積提取相應(yīng)的特征，通過特征識(shí)別目標(biāo)，最終通過全連接層輸出識(shí)別目標(biāo)的位置尺寸和其對(duì)應(yīng)的樣本類別。4.5本章小結(jié)本章通過對(duì)FasterR-cnn卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分析介紹，主要從基本結(jié)構(gòu)，RPN結(jié)構(gòu)，錨框以及訓(xùn)練過程等幾個(gè)方面進(jìn)行解釋，并分析了其特有的結(jié)構(gòu)對(duì)圖像識(shí)別的好處，并給出了無人駕駛目標(biāo)識(shí)別的大體框架思路。5、無人駕駛目標(biāo)識(shí)別系統(tǒng)設(shè)計(jì)5.1引言基于5G通信的無人駕駛中的核心算法實(shí)屬目標(biāo)識(shí)別任務(wù)，考慮到深度學(xué)習(xí)近年來在圖像處理方面的強(qiáng)大性能，因此設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)用于駕駛前方路面目標(biāo)識(shí)別任務(wù)，通過對(duì)樣本的訓(xùn)練得到具有泛化性識(shí)別分離的模型，通過模型可以實(shí)時(shí)檢測(cè)車輛駕駛前方的目標(biāo)類別及其位置，從而利用通信設(shè)備控制車輛做出相應(yīng)避讓。5.2無人駕駛識(shí)別的整體流程卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork，CNN）是一種前饋型的神經(jīng)網(wǎng)絡(luò)，它被廣泛的應(yīng)用于各個(gè)領(lǐng)域中，目前主要是對(duì)圖像數(shù)據(jù)進(jìn)行特征提取。相比于其他神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，卷積神經(jīng)網(wǎng)絡(luò)在圖像處理方面有著絕對(duì)的優(yōu)勢(shì)，并且得到了廣泛的應(yīng)用。無人駕駛識(shí)別任務(wù)主要采用FasterR-CNN這種卷積神經(jīng)網(wǎng)絡(luò)，通過對(duì)網(wǎng)絡(luò)的訓(xùn)練，達(dá)到能夠?qū)π聰?shù)據(jù)進(jìn)行有效的檢測(cè)準(zhǔn)確性。整體流程如下圖所示：圖5-1首先，我們根據(jù)一定的數(shù)據(jù)進(jìn)行訓(xùn)練樣本制作，對(duì)我們需要識(shí)別的類別進(jìn)行標(biāo)注；繼而，把訓(xùn)練樣本送入之前搭建好的FasterR-CNN網(wǎng)絡(luò)施以訓(xùn)練;此外，運(yùn)用上述網(wǎng)絡(luò)，對(duì)已經(jīng)收集好的測(cè)試的樣本值預(yù)測(cè)其輸出，計(jì)算輸出準(zhǔn)確度。5.3實(shí)驗(yàn)工具及其配置5.3.1實(shí)驗(yàn)配置電腦硬件配置i5處理器1.8GHzCPU、3GBGTX1060tiGPU顯卡，Windows7系統(tǒng)以及matlab作為編程的實(shí)驗(yàn)平臺(tái)。5.3.2實(shí)驗(yàn)數(shù)據(jù)通過自制錄取車輛行駛視頻，整理包括車輛、行人、紅綠燈、路線牌等在內(nèi)的圖片共5000張，其中，70%的樣本作為訓(xùn)練集，30%的樣本作為測(cè)試集，部分?jǐn)?shù)據(jù)如下圖5.3所示。圖5.3部分樣本數(shù)據(jù)在采集完數(shù)據(jù)后，需要對(duì)一些目標(biāo)進(jìn)行圖像標(biāo)注工作，具體標(biāo)注如下圖：.通過對(duì)訓(xùn)練樣本進(jìn)行標(biāo)注，構(gòu)建訓(xùn)練樣本標(biāo)簽，利用搭建好的網(wǎng)絡(luò)進(jìn)行訓(xùn)練，經(jīng)過訓(xùn)練好的模型用于對(duì)測(cè)試集進(jìn)行測(cè)試。5.3.3識(shí)別結(jié)果對(duì)測(cè)試樣本進(jìn)行測(cè)試發(fā)現(xiàn)，整體準(zhǔn)確率超過93.6%，從圖中可以看出，大部分目標(biāo)有較好的識(shí)別，但存在一些漏檢、錯(cuò)檢。造成上述情況的原因，是因?yàn)橛?xùn)練樣本數(shù)據(jù)太少，訓(xùn)練的時(shí)間太短?？偟膩碚f，該網(wǎng)絡(luò)對(duì)于目標(biāo)識(shí)別具有一定的準(zhǔn)確性，能夠作為無人駕駛目標(biāo)識(shí)別的主要核心算法。5.4本章小結(jié)本章利用自己制作的樣本集，進(jìn)行了樣本標(biāo)注，結(jié)合搭建的FastR-cnn網(wǎng)絡(luò)進(jìn)行訓(xùn)練，通過訓(xùn)練模型進(jìn)行對(duì)測(cè)試樣本的測(cè)試，發(fā)現(xiàn)具有較好的準(zhǔn)確性。6、總結(jié)與期望通過對(duì)5G通信技術(shù)基礎(chǔ)的學(xué)習(xí)，了解到5G通信的優(yōu)點(diǎn)，搭建了5G無人駕駛的通信流程，分析了其特點(diǎn)；在了解了現(xiàn)有目標(biāo)識(shí)別算法基礎(chǔ)上，結(jié)合深度學(xué)習(xí)網(wǎng)絡(luò)算法實(shí)現(xiàn)對(duì)無人駕駛道路目標(biāo)檢測(cè)識(shí)別，搭建網(wǎng)絡(luò)，對(duì)樣本的訓(xùn)練，得到識(shí)別結(jié)果，通過對(duì)識(shí)別結(jié)果的分析，達(dá)到了一定的準(zhǔn)確率，但由于樣本集過少，在視頻識(shí)別過程中會(huì)出現(xiàn)漏錯(cuò)的情況，后續(xù)可以增大樣本集與標(biāo)簽量，提高訓(xùn)練時(shí)間，將模型進(jìn)行一定程度上的優(yōu)化。7、致謝匆匆四年，揮手而過，好想回到那年的九月十九號(hào)，那時(shí)的我懵懵懂懂，對(duì)一切充滿了好奇與渴望，那是我第一次與xxxx學(xué)院會(huì)面。四年的磨礪讓我的肩頭多了一份責(zé)任與承擔(dān)，即將踏入社會(huì)開始工作的我，面臨的抉擇和困難非常多，不管前途多么坎坷，都將成為我人生路途中寶貴的成長(zhǎng)經(jīng)歷。特別感謝我的論文指導(dǎo)老師謝老師，是您為我理清思路，為我推薦論文相關(guān)的書籍，從始至終盡心盡力。此外，我還要感謝我的同學(xué)們，祝你們前程似錦。還有我的家人朋友，無論我