PAGE3依托于攝像頭的計算機視覺技術(shù)在道路目標(biāo)檢測領(lǐng)域的應(yīng)用研究國內(nèi)外文獻綜述1.1無人駕駛研究現(xiàn)狀無人駕駛的概念已經(jīng)有了將近80年的歷史，1939年，最早的對于無人駕駛汽車的暢想在當(dāng)年的世博會被提出[3]。1986年，來自美國的NavLab實驗室設(shè)計并制造了世界上第一臺具有實際價值的無人駕駛車輛。進入21世紀(jì)以來，各大商業(yè)公司都將目光投向了無人駕駛。特斯拉汽車公司（TeslaMotors）在其量產(chǎn)的電動汽車上配置了無人駕駛模塊，其攝像頭和傳感器預(yù)測碰撞的準(zhǔn)確率高達76%，而碰撞預(yù)防率達到了90%以上。谷歌（Google）公司旗下的Waymo無人駕駛子公司則是目前累計測試?yán)锍虜?shù)最多的公司，截至2019年，完成了2000萬英里的累積測試?yán)锍獭Ｖ袊鴩鴥?nèi)對于無人駕駛汽車的研究最早可以追溯到2011年，由國防科技大學(xué)設(shè)計并制造的HQ3無人車完成了具有實際意義的路測。隨后，國內(nèi)的一些高等院校和研究組織也陸續(xù)開始了關(guān)于無人駕駛技術(shù)的研究，如西安交通大學(xué)等。到了2013年，百度啟動了阿波羅計劃，開始加入無人駕駛技術(shù)的研究中來。在過去的幾年間，小馬智行，圖森未來等新興的中國公司也相繼加入相關(guān)的研發(fā)中來。2021年，華為的無人駕駛技術(shù)也表現(xiàn)出了長足的進步。1.2深度學(xué)習(xí)研究現(xiàn)狀1943年，MccullochWS[4]等人設(shè)計并發(fā)表了基于人腦神經(jīng)突觸的計算結(jié)構(gòu)，他們使用閾值邏輯單元去模擬人腦的處理過程。其設(shè)計是，類比于人腦神經(jīng)突觸對于刺激的反應(yīng)，閾值邏輯單元接受輸入，當(dāng)輸入高于某一閾值時，單元會給出計算結(jié)果，作為對輸入的反應(yīng)。1960年，Kelley[5]等人構(gòu)思了反向傳播（backpropagation）算法，這一算法的核心是計算網(wǎng)絡(luò)的損失函數(shù)對于網(wǎng)絡(luò)中的權(quán)值的梯度并從網(wǎng)絡(luò)的末尾向開頭傳遞，隨后改變網(wǎng)絡(luò)權(quán)重向最小化損失值的方向前進。通過重復(fù)這一簡單步驟，網(wǎng)絡(luò)將會逐漸實現(xiàn)可以對于給定的輸入給出想要的結(jié)果的功能。反向傳播算法是神經(jīng)網(wǎng)絡(luò)功能實現(xiàn)的數(shù)學(xué)邏輯基石。1965年，Alexey和Valentin[6]發(fā)明了最早的深度學(xué)習(xí)算法，他們創(chuàng)建了一個多層模型，這一模型包含了激活函數(shù)且激活函數(shù)的數(shù)學(xué)形式是多項式。模型在每一層進行統(tǒng)計分析，然后將每一層中經(jīng)過統(tǒng)計選擇的最佳權(quán)值傳遞到下一層。通過這種方式，該模型就將多層的函數(shù)整合成立一個“大函數(shù)”，并對“大函數(shù)”的系數(shù)進行調(diào)整，使得函數(shù)的映射規(guī)律可以滿足實際任務(wù)的需要，這是深度網(wǎng)絡(luò)的雛形。1979年，F(xiàn)ukushimaK[7]創(chuàng)造了一個名為“Neocognitron“的人工神經(jīng)網(wǎng)絡(luò)，這個神經(jīng)網(wǎng)絡(luò)通過強化策略反復(fù)循環(huán)訓(xùn)練，得到最佳性能，同時，這個網(wǎng)絡(luò)也支持手動調(diào)整權(quán)重。這一網(wǎng)絡(luò)的提出進一步開拓了神經(jīng)網(wǎng)絡(luò)的設(shè)計思路。1998年，LeCunY[8]等人在發(fā)表的論文中總結(jié)了讓計算機正確分辨手工書寫的數(shù)字的各種方法，并將這些方法進行了比較，最終得出卷積神經(jīng)網(wǎng)絡(luò)的表現(xiàn)超過了其他方法的結(jié)論。他們設(shè)計的讓計算機正確分辨手工書寫的數(shù)字的模型叫做LeNet，這一模型的成功激勵了人們繼續(xù)在神經(jīng)網(wǎng)絡(luò)上投入熱情。千禧年后，深度學(xué)習(xí)呈現(xiàn)出一種欣欣向榮的態(tài)勢。大量的與深度學(xué)習(xí)有關(guān)的比賽展開，越來越多的從業(yè)人員也積極參加這類比賽并產(chǎn)出了大量的優(yōu)秀的論文。2014年，圖形計算領(lǐng)域的巨頭英偉達（Nvidia）公司推出了用于合理分配并行運算資源的CUDA硬件架構(gòu)和深度學(xué)習(xí)加速庫cuDNN，在軟硬件兩端都為神經(jīng)網(wǎng)絡(luò)的計算節(jié)省了大量的時間，為深度學(xué)習(xí)領(lǐng)域的進步添上了一把火。深度學(xué)習(xí)有著不同的分支，這些分支涵蓋了很多方面，無論是哪一個方面，都是以讓計算機像人類一樣感知世界為目的的，而本文關(guān)注的是讓計算機像人類一樣用眼睛去看世界的部分，即圖像分類和目標(biāo)檢測部分，因此對于其他部分本文不再贅述，而是著重于圖像分類和目標(biāo)檢測部分。1.3圖像分類及目標(biāo)檢測研究現(xiàn)狀1）圖像分類研究現(xiàn)狀圖像分類的任務(wù)是依據(jù)圖像信息，讓計算機正確地辨認(rèn)圖像內(nèi)容，通俗來說就是“看狗是狗，看貓是貓”，關(guān)注點僅在于正確分類上，其任務(wù)示例如圖1-2所示。圖STYLEREF1\s12圖像分類任務(wù)示例2012年，KrizhevskyA等人[9]設(shè)計并發(fā)表了具有5層結(jié)構(gòu)的AlexNet網(wǎng)絡(luò)模型，在這個網(wǎng)絡(luò)中，他們引入了ReLU激活函數(shù)，借助了Dropout技巧，減小了模型過擬合風(fēng)險，同時梯度下降更快。在2012年的ImageNet挑戰(zhàn)賽的圖像分類領(lǐng)域，即ILSVRC2012上，該模型以16.4%的TOP-5誤差率一舉。這一成果證明了深度學(xué)習(xí)網(wǎng)絡(luò)模型在圖像分類這一領(lǐng)域存在著待挖掘的潛力，引發(fā)了廣大的研究者對于將深度學(xué)習(xí)應(yīng)用于圖像分類的興趣。2014年，SimonyanK等人[10]設(shè)計并發(fā)表了VGG模型，該模型通過反復(fù)利用3×3的卷積核和池化層來搭建網(wǎng)絡(luò)結(jié)構(gòu)。與此同時，網(wǎng)絡(luò)采用了多粒度表達的思想，這使得VGGNet檢測模型擁有不俗的泛化能力，但是由于網(wǎng)絡(luò)采樣的卷積核大小較小，網(wǎng)絡(luò)很難搭建地更深，這制約了網(wǎng)絡(luò)模型的檢測能力。在ILSVRC2014上，VGGNet取得了榜眼的好成績。同樣是2014年，SzegedyC等人[11]發(fā)明了GoogLeNet，這是一個擁有22層深度的網(wǎng)絡(luò)，這一數(shù)值打破了當(dāng)時網(wǎng)絡(luò)深度的記錄。該網(wǎng)絡(luò)最引人注意的獨創(chuàng)性在于采用了Inception模塊，該模塊含有含有4個支路，使用了幾種不同大小的小卷積核，其結(jié)構(gòu)如圖1-3所示。GoogLeNet憑借其優(yōu)秀的性能，在ILSVRC2014中以6.7%的TOP-5誤差率獨占鰲頭。圖STYLEREF1\s13Inception模塊示意圖2015年，何凱明等人[12]設(shè)計并發(fā)表了ResNet網(wǎng)絡(luò)，該模型是ILSVRC2015的魁首。當(dāng)網(wǎng)絡(luò)模型的深度來到一定程度時，出現(xiàn)了網(wǎng)絡(luò)模型的性能反而與網(wǎng)絡(luò)深度呈現(xiàn)負(fù)相關(guān)的問題。而ResNet創(chuàng)造了殘差連接，解決了這個問題。殘差模型如圖1-4所示，其核心就是建立了一個前面層到后面層的直接連接，這一做法有益于反向傳播，從而減少網(wǎng)絡(luò)退化出現(xiàn)的幾率。該研究的成果對于后來越來越深的網(wǎng)絡(luò)結(jié)構(gòu)具有重要的意義，它使得更深層次的網(wǎng)絡(luò)的應(yīng)用變得更加容易。圖STYLEREF1\s14殘差模塊示意圖2）目標(biāo)檢測研究現(xiàn)狀在圖像分類的基礎(chǔ)上，目標(biāo)檢測的要求更進了一步，體現(xiàn)在：一是目標(biāo)檢測不僅要將物體的類別正確識別，還需要將物體在圖片上的位置大概劃分出來；二是在目標(biāo)檢測任務(wù)中，一幅圖片上的目標(biāo)數(shù)量是不確定的，往往有不止一個目標(biāo)，其任務(wù)示例如圖1-5所示。圖STYLEREF1\s15目標(biāo)檢測示例2012年后，由于卷積神經(jīng)網(wǎng)絡(luò)的大力發(fā)展，研究人員開始探索將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于目標(biāo)檢測任務(wù)的實現(xiàn)中來。2014年，R.Girshick等人[13]設(shè)計并發(fā)表了R-CNN網(wǎng)絡(luò)模型。這一模型時一項創(chuàng)新，與傳統(tǒng)的目標(biāo)檢測算法不同的是，在提取特征時不需要人為地進行一系列設(shè)計，而是將這一繁雜的操作交給了神經(jīng)網(wǎng)絡(luò)。R-CNN的檢測能力也被實驗證明相對于傳統(tǒng)算法有了一個較大的提升。2015年，R.Girshick[14]又借鑒了何凱明等人[15]提出的SPP-Net中的設(shè)計思路提出了FastR-CNN模型。該模型相對于R-CNN又有了進步，無論是在檢測的速度還是精度方面都有了拔高。同年，S.Ren等人[16]又創(chuàng)造了FasterR-CNN模型，這個模型借助于區(qū)域待選的思想，使得R-CNN系列的性能又進一步提升。R-CNN系列在在其實現(xiàn)過程中存在待選框生成的階段，即是一個兩階段的算法模型。而在2016年，RedmonJ等人[17]設(shè)計并發(fā)表了YOLO網(wǎng)絡(luò)模型，這是一個經(jīng)典的單階段的算法模型，即不存在待選框生成階段的目標(biāo)檢測模型。該類型的模型的檢測速度往往優(yōu)于兩階段的目標(biāo)檢測模型，但是精度相對于兩階段目標(biāo)檢測模型要有所不如。同年，LiuW等人[18]設(shè)計并發(fā)表了SSD模型，作為一個單階段的目標(biāo)檢測模型，其不僅能在檢測速度上和YOLO一致，檢測精度也能接近R-CNN系列，這是單階段的模型的一個進步。2017年，LinTY等人[19]設(shè)計并發(fā)表了FPN網(wǎng)絡(luò)模型，關(guān)于該模型的大量實驗結(jié)果論證了多粒度對于模型精度的正向作用。同年，受此啟發(fā)，RedmonJ等人[20]又設(shè)計并發(fā)表了YOLOv2模型，相對于最開始的YOLO，使用了更深的提取網(wǎng)絡(luò)，并引入了先驗框設(shè)計理念，大幅度提高了YOLO系列的精度。到了2018年，RedmonJ等人[21]設(shè)計并發(fā)表了YOLOv3模型，該模型使用了3個不同粒度的特征圖的分支進行預(yù)測，并使用深度較大的DarkNet-53網(wǎng)絡(luò)來完成解碼器的工作。實驗結(jié)果表明，YOLOv3是一個及其優(yōu)秀的模型，該模型無論檢測的速度還是精度都到達了一個嶄新的水平。參考文獻ADDINEN.REFLIST中國政府網(wǎng)［R/OL］．[2020-07-14]．魏宇豪．車道線檢測與車載相機自動標(biāo)定方法研究［D］．西安：西安交通大學(xué)，2020．WassonH.Theothersmallscreen:MovingimagesatNewYork'sWorldFair,1939[J].CanadianJournalofFilmStudies,2012,21(1):81-103.MccullochWS,PittsW.Alogicalcalculusoftheideasimmanentinnervousactivity[J].BulletinofMathematicalBiophysics,1990,52(1-2):99-115.KelleyHJ.GradientTheoryofOptimalFlightPaths[J].ARSJournal,1960,30(10):947-954.IvakhnenkoAG,LapaVG.CyberneticPredictingDevices[M].NewYork:CCMInformationCorporation,1965.FukushimaK.Neocognitron:Aself-organizingneuralnetworkmodelforamechanismofpatternrecognitionunaffectedbyshiftinposition[J].BiologicalCybernetics,1980,36(4):193-202.LecunY,BottouL,BengioY,etal.Gradient-basedlearningappliedtodocumentrecognition[J].ProceedingsoftheIEEE,1998,86(11):2278-2324.KrizhevskyA,SutskeverI,HintonGE.ImageNetClassificationwithDeepConvolutionalNeuralNetworks[J].AdvancesinNeuralInformationProcessingSystems,2012,25(2):2012.何育欣，鄭伯川，譚代倫等．基于VGGNet改進網(wǎng)絡(luò)結(jié)構(gòu)的多粒度大熊貓面部檢測［J］．重慶大學(xué)學(xué)報，2020，43(11)：63-71．蘇賦，呂沁，羅仁澤．基于深度學(xué)習(xí)的圖像分類研究綜述［J］．電信科學(xué)，2019，35(11)：58-74．HeK,ZhangX,RenS,etal.Deepresiduallearningforimagerecognition[C]//ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition.2016:770-778.GirshickR,DonahueJ,DarrellT,etal.Richfeaturehierarchiesforaccurateobjectdetectionandsemanticsegmentation[C]//ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition.2014:580-587.GirshickR.Fastr-cnn[C]//ProceedingsoftheIEEEinternationalconferenceoncomputervision.2015:1440-1448.HeK,ZhangX,RenS,etal.Spatialpyramidpoolingindeepconvolutionalnetworksforvisualrecognition[J].IEEEtransactionsonpatternanalysisandmachineintelligence,2015,37(9):1904-1916.RenS,HeK,GirshickR,etal.FasterR-CNN:towardsreal-timeobjectdetectionwithregionproposalnetworks[J].IEEEtransactionsonpatternanalysisandmachineintelligence,2016,39(6):1137-1149.RedmonJ,DivvalaS,GirshickR,etal.Youonlylookonce:Unified,real-timeobjectdetection[C]//ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition.2016:779-788.LiuW,AnguelovD,ErhanD,etal.Ssd:Singleshotmultiboxdetector[C]//Europeanconferenceoncomputervision.Springer,Cham,2016:21-37.LinTY,DollarP,GirshickR,etal.Featurepyramidnetworksforobjectdetection[C]//ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition.2017:2117-2125.RedmonJ,FarhadiA.YOLO9000:better,faster,stronger[C]//ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition.2017:7263-7271張富凱，楊峰，李策．基于改進YOLOv3的快速車輛檢測方法［J］．計算機工程與應(yīng)用，2019，55(02)：12-20．HubelDH,WieselTN.Receptivefields,binocularinteractionandfunctionalarchitectureinthecat'svisualcortex[J].TheJournalofphysiology,1962,160(1):106-154.IoffeS,SzegedyC.Batchnormalization:Acceleratingdeepnetworktrainingbyreducinginternalcovariateshift[C]//Internationalconferenceonmachinelearning.PMLR,2015:448-456.ZhangZ,HeT,ZhangH,e