文档介绍:该【计算机视觉与神经网络 】是由【读书之乐】上传分享,文档一共【35】页,该文档可以免费在线阅读,需要了解更多关于【计算机视觉与神经网络 】的内容,可以使用淘豆网的站内搜索功能,选择自己适合的文档,以下文字是截取该文章内的部分文字,如需要获得完整电子版,请下载此文档到您的设备,方便您编辑和打印。Outline无人驾驶与计算机视觉深度前馈网络卷积神经网络*计算机视觉与神经网络*无人驾驶与计算机视觉无人驾驶在城市交通、公共安全以及军事国防等具有广阔的应用前景和使用价值,引起许多国家高度重视。而环境感知是无人驾驶的核心技术,环境感知的实时性、准确性、对光照变化及阴影噪声的鲁棒性、对复杂道路环境以及恶劣天气的适应能力等因素直接影响无人驾驶技术的发展。无人驾驶系统的环境感知中,毫米波雷达和视觉传感器起到重要作用。其中利用视觉传感器信号处理和计算机技术发展息息相关。puterVision,CV)是一门用计算机模拟生物视觉的学科,就是让计算机代替人眼实现对目标的识别、分类、跟踪和场景理解。计算机视觉是人工智能的重要分支,是目前人工智能最为活跃的研究方向之一,在自动驾驶汽车中发挥重要作用。它也是一门综合性很强的学科,涉及计算机科学、信号处理、光学、应用数学、统计学、神经生理学和认知科学等学科。*计算机视觉与神经网络*无人驾驶与计算机视觉生物视觉由视觉通路可以看到,眼、外膝体与视皮层构成对视觉信息处理的三个层次结构。不同区域的神经细胞具有不同的功能。视觉通路上各层次的神经细胞,由简单到复杂,它们所处理的信息,分别对应于视网膜上的一个局部区域,层次越深入,该区域就越大,这就是著名的感受野(ReceptiveField)与感受野等级假设。具体视觉通路如图所示。*计算机视觉与神经网络*生物视觉视觉传导通路由3级神经元组成。第1级神经元为视网膜的双极细胞,其周围支与形成视觉感受器的视锥细胞和视杆细胞形成突触,中枢支与节细胞形成突触。第2级神经元是节细胞,其轴突在视神经盘(乳头)处集合向后穿巩膜形成视神经。视神经向后经视神经管入颅腔,形成视交叉后,延为视束。在视交叉中,只有一部分纤维交叉,即来自两眼视网膜鼻侧半的纤维交叉,走在对侧视束中;颞侧半的不交叉,走在同侧视束中。因此,左侧视束含有来自两眼视网膜左侧半的纤维,右侧视束含有来自两眼视网膜右侧半的纤维。视束行向后外,绕大脑脚,多数纤维止于外侧膝状体。第3级神经元的胞体在外侧膝状体内,它们发出的轴突组成视辐射,经内囊后肢,终止于大脑距状沟周围的枕叶皮质(视区)。还有少数纤维经上丘臂终止于上丘和顶盖前区。顶盖前区与瞳孔对光反射通路有关。*计算机视觉与神经网络*边缘检测边缘检测是图像处理和计算机视觉中的基本问题,边缘检测的目的是标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反映了属性的重要事件和变化。这些包括(i)深度上的不连续、(ii)表面方向不连续、(iii)物质属性变化和(iv)场景照明变化。边缘检测是图像处理和计算机视觉中,尤其是特征提取中的一个研究领域。*计算机视觉与神经网络*图像分割图像分割是计算机视觉的基础任务之一,也是被广泛研究的方向,在自动驾驶中有重要的应用,然而至今未能完全解决。图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。具体如图所示。利用图像分割技术,可以有效将前景和背景信息分离,并可以进一步分离出物体信息。现有的图像分割方法主要分以下几类:基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于深度模型的分割方法等。*计算机视觉与神经网络*图像分割(1)基于阈值的分割方法阈值分割法是一种传统的图像分割方法,因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术。阈值分割法的基本原理是通过设定不同的特征阈值,把图像像素点分为具有不同灰度级的目标区域和背景区域的若干类。它特别适用于目标和背景占据不同灰度级范围的图,阈值分割算法的关键是确定阈值。(2)基于区域的分割方法基于区域的分割方法是以直接寻找区域为基础的分割技术,其有两种基本形式:一种是区域生长,从单个像素出发,逐步合并以形成所需要的分割区域;另一种是从全局出发,逐步切割至所需的分割区域。*计算机视觉与神经网络*图像分割(3)基于边缘检测的分割方法基于边缘检测的分割方法试图通过检测包含不同区域的边缘来解决分割问题,它可以说是人们研究的最多的方法之一。通常不同的区域之间的边缘上像素灰度值的变化往往比较剧烈,这是边缘检测方法得以实现的主要假设之一。边缘检测方法一般利用图像一阶导数的极大值或二阶导数的过零点信息来提供判断边缘点的基本依据。(4)基于深度模型的分割方法随着神经网络以及深度学****的发展,在图像分割应用中也提出很多效果良好的深度模型。在后续中会陆续介绍利用深度模型进行图像分割的方法。*计算机视觉与神经网络*神经网络与深度学****人工神经网络(work,ANN),也简称神经网络,是一种受人脑神经网络工作方式启发而构造的一种数学模型。2018年的ACM图灵奖颁发给了蒙特利尔大学教授YoshuaBengio,多伦多大学名誉教授GeofferyHinton和纽约大学教授YannLecun,以表彰他们为深度神经网络概念和工程上的突破。深度神经网络的再度崛起为人工智能的发展发挥巨大的推动作用,它促进了现代计算机科学的极大进步,在解决计算机视觉、语音识别、自然语言处理领域的长期问题方面取得了巨大的进展。正如谷歌人工智能负责JeffDean所言,深度神经网络显著提升了计算机感知世界的能力,它不仅改变了计算机领域,也几乎改变了科学和人类奋斗的所有领域。*计算机视觉与神经网络*深度学****与传统学****典型的模式识别系统的构成如图所示。一般包括预处理、特征提取、特征转换和预测识别几个组成部分。在典型的模式识别系统中,预测识别的机器学****模型一般为浅层模型,或浅层学****浅层学****的一个重要特点是不涉及特征学****其特征主要靠人工经验或特征转换方法来抽取。*计算机视觉与神经网络*