摘 要

随着近些年来我国经济的发展，人们消费水平和生活质量得到提高，汽车作为一种交通工具逐渐进入到普通民众家中，使得其销量逐年增加。但是，与日俱增的道路交通问题也愈来愈被人们所重视。进入21世纪以来，AI技术的迅速发展正在不断促进并推动各个行业的发展，无人驾驶和先进辅助驾驶系统成为目前解决公路交通问题的热门方案。由于深度学习在计算机视觉里面的卓越表现，本文基于目前主流的语义分割方法对道路目标检测算法进行了深入研究，具体的研究内容如下：

首先从深度学习与道路目标检测的关系出发，重点研究了深度学习中基于卷积神经网络的语义分割方法。分析了FCN、SegNet、DeepLab这几种主流的语义分割算法模型结构以及各自的优缺点，其中DeepLab系列网络在FCN基础上，应用了空洞卷积和编码器-解码器等结构，在检测速度和检测精度上都表现出了较好的结果。

然后选择DeepLab网络模型进行进一步学习，深度研究了DeepLabv2网络模型结构和算法，并将DeepLabv2引入到道路目标检测任务中，在PASCAL VOC 2012和Cityscapes两个数据集上做了测试及调试，得出可视化结果。

最后为提升检测速度和检测精度，优化分割效果，本文对DeepLabv2网络模型中的ASPP模块进行改进优化，采用不同采样率的空洞卷积和BN层组成，并且以级联或并行的方式布局模块，同时将图像特征融合到ASPP模块中。本文将改进优化后的算法在Cityscapes数据集中进行训练调试，并将结果可视化，优化后的算法对于道路、车辆、行人等目标的检测精度得到了提升，图像分割效果得到优化，在检测速度和检测精确度上面都得到了优化改善，达到了道路目标检测的基本需求。

关键词：语义分割；道路目标检测；卷积神经网络；DeepLab

Abstract

With the development of my country's economy in recent years, people's consumption level and quality of life have been improved. As a means of transportation, cars have gradually entered the homes of ordinary people, making their sales increase year by year. However, the increasing number of road traffic problems has also been paid more and more attention. Since the beginning of the 21st century, the rapid development of AI technology is continuously promoting and promoting the development of various industries. Unmanned driving and advanced assisted driving systems have become popular solutions to road traffic problems. Due to the excellent performance of deep learning in computer vision, this paper has conducted in-depth research on road target detection algorithms based on the current mainstream semantic segmentation method. The specific research contents are as follows:

Firstly, starting from the relationship between deep learning and road target detection, we focus on the study of semantic segmentation methods based on convolutional neural networks in deep learning. The FCN, SegNet, DeepLab, and other mainstream semantic segmentation algorithm model structures and their respective advantages and disadvantages are analyzed. Among them, DeepLab series networks use hollow convolution and encoder-decoder structures on the basis of FCN. The detection accuracy showed good results.

Then select the DeepLab network model for further learning, deeply study the structure and algorithm of the DeepLabv2 network model, and introduce DeepLabv2 to the road target detection task. Tested and debugged on the two datasets of PASCAL VOC 2012 and Cityscapes to obtain visualization result.

Finally, in order to improve the detection speed and detection accuracy, and optimize the segmentation effect, this article improves and optimizes the ASPP module in the DeepLabv2 network model, which is composed of hollow convolutions with different sampling rates and BN layers, and the modules are laid out in cascade or parallel manner At the same time, the image features are integrated into the ASPP module. This article will improve the optimized algorithm to train and debug in the Cityscapes data set, and visualize the results. The optimized algorithm has improved the detection accuracy of roads, vehicles, pedestrians and other targets. The accuracy has been optimized and improved to meet the basic needs of road target detection.

Key Words：Semantic segmentation；Road target detection；Convolutional Neural Network；DeepLab

目录

摘要 I

Abstract II

第1章 绪论 1

1.1课题研究背景及意义 1

1.1.1课题研究的背景 1

1.1.2课题研究的目的及意义 1

1.2国内外研究现状 2

1.2.1道路目标检测研究现状 2

1.2.2卷积神经网络研究现状 8

1.2.3语义分割研究现状 13

1.3本文的主要研究内容 14

第2章 语义分割基本原理 16

2.1卷积神经网络 16

2.1.1卷积神经网络概述 16

2.1.2卷积神经网络结构 17

2.2基于卷积神经网络的图像语义分割方法 20

2.2.1基于卷积神经网络的经典语义分割算法 20

2.2.2 Deeplab 网络模型 23

第3章 基于语义分割的道路目标检测 27

3.1 DeepLabv2模型结构 27

3.2实验过程及分析 29

3.2.1 PASCAL VOC 2012 30

3.2.2 Cityscapes 33

第4章 算法优化与实验 34

4.1对于DeepLab模型的优化 34

4.1.1 空洞卷积 34

4.1.2 ASPP的改进 35

4.2实验基础配置 36

4.2.1实验环境 36

4.2.2开发框架 36

4.2.3数据集 38

4.3实验结果及分析 39

4.3.1训练过程 39

4.3.2在CityScapes上可视化 40

总结与展望 42

工作总结 42

工作展望 42

参考文献 43

致 谢 45

第1章 绪论

1.1课题研究背景及意义

1.1.1课题研究的背景

随着近些年来我国经济的发展，人们消费水平和生活质量得到提高，汽车作为一种交通工具逐渐进入到普通民众家中，使得其销量逐年增加，进而使得汽车保有量也逐年增加，2013年—2019年中国汽车保有量如图1.1所示，从图中可以看出，我国汽车保有量呈现近乎直线式增加，在2019年达到2.6亿辆，相比2018年增长了9个百分点。但是，与此同时交通事故的发生率也逐渐增大，造成了巨大的经济损失和人员伤亡。2018年全国发生交通事故24万余起，死亡人数为6万多人，造成直接财产损失数十亿元。这些交通事故大都是驾驶员不恰当的驾驶行为等人为因素造成的，因此，如何有效降低道路交通事故是近些年热门研究课题。

图1.1 2013年-2019年中国汽车保有量统计

1.1.2课题研究的目的及意义

近年来，人工智能技术的迅猛发展正在不断促进并推动各个行业的发展，突出表现在被广泛地应用于汽车和交通等行业，并解决了很多行业的痛点和难题。无人驾驶和先进辅助驾驶系统（Advanced Driver Assistance System, ADAS）^[1]作为人工智能最有应用价值的分支，是目前各个国家机构以及汽车企业的研究重点。智能辅助驾驶和无人驾驶的应用和广泛推广将在复杂环境下有效地降低交通事故的发生率，并且大幅提高交通运输的效率和安全性。