赞
踩
感知系统中使用了大量的计算机视觉的技术。对于目标识别目标检测来说,目前工业界用的比较多的是CNN,也就是卷积神经网络(Convolutional Neural Network)。
略
计算机不能像人类那样理解图像,图像在计算机的世界里只是一堆数值。
无人驾驶中的感知任务主要有四个:检测、分类、跟踪和语义分割。
我们可以将分类作为研究计算机视觉一般流程的例子。图像分类器是一种将图像作为输入并输出标识改图像的”标签"或者“类别"的算法。
例如,交通标志分类器查看停车标志并识别它是停车标志、让路标志、限速标志还是其他类型的标志。
分类器甚至可以识别行为,比如一个人是在走路还是跑步。
分类器有很多种,但它们都包含一系列类似的步骤。
在计算机的世界里,图像就是数值矩阵。对于图像的处理,说白了就是对于矩阵的处理。(可见数学的重要性呀!
这是一个二维的灰度图像示例:
对于彩色图像,可以看成是一个深度为3的二维色层的叠加:
感知扩展到传感器,而不仅仅是摄像头,激光雷达传感器创建环境的点云表征,提供了难以通过摄像头提供的图像信息(例如距离和高度)。
下图是一个典型的激光雷达点云图像:激光雷达通过发射光脉冲来检测汽车周围的环境。蓝色点表示反射激光脉冲的物体,中间的黑色部分则是无人车本身占据的空间。
这些点云可以告诉我们关于物体的很多信息,例如其形状和表面纹理。通过对点进行聚类和分析,这些数据提供了足够的对象检测、跟踪和分类信息。下图是一个典型的在点云上的检测和分类结果:红色的代表行人,绿色的代表其他车辆。
机器学习可以分成下面几种类别:
监督学习和非监督学习的差别就是训练集目标是否人标注。他们都有训练集 且都有输入和输出
具体的机器学习算法有:
构造间隔理论分布:聚类分析和模式识别
人工神经网络
决策树
感知器
支持向量机
集成学习AdaBoost
降维与度量学习
聚类
贝叶斯分类器
构造条件概率:回归分析和统计分类
高斯过程回归
线性判别分析
最近邻居法
径向基函数核
通过再生模型构造概率密度函数:
最大期望算法
概率图模型:包括贝
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。