1．目的及意义

选题的目的和意义：

随着时代的发展，智能车的发展在一步一步走向成熟，目前很多国内外的企业已经有了研发无人车的相关技术和经验，但这些技术和经验还不足够达到实现无人车普及的地步，有很多技术都需要不断的发展和更新，要实现无人车涉及到很多方面，机械、硬件、软件系统，其中最重要的就是软件系统，相对于人类的大脑是一个中心处理器，需要对路况进行检测、判断以及做出相应的指令，来指导其他机械部位的操作，因此在行驶过程中对行人行车，以及道路标识，路况和红绿灯的识别都是非常重要的。而在实际道路中存在很多外界因素的干扰，例如阳光照射不均匀，或者阴雨天气而使拍摄到的照片不够清楚，从而导致目标识别出现误差，因此对图像的处理以及对目标的识别都对无人车的发展有着不可或缺的作用，也是推动无人车将来更加完美发展的一个基础，同时也可应用到其他领域，比如公安系统的监控以及交通部门的路况分析等等。

国内外研究现状：

对于目标检测以及识别技术主要有以下两种方式：

① 基于传统图像处理和机器学习算法的目标检测与识别方法

② 基于深度学习的目标检测与识别方法

早在60年代，国外就已经提出了静态图像中用于目标检测的一般框架，该框架直接从样本中学习特征，不需要先验知识，Lowe等提出了尺度不变特征（SIFT），Dalal等提出了梯度直方图特征（HOG），这些都是属于以上的第一种目标检测的方式，对于这种方式需要设计操作者经验丰富，需要考虑图像不同的特征并进行组合，才能使检测精度进一步提高。2006年Geoffrey Hinton等人在《Science》上首次提出了深度学习的概念，受到广泛关注，在2012年Hinton等人采用深度学习赢得了Image Net图像分类比赛的冠军，深度学习在2013年被MIT Technology Review列为世界十大技术突破之首，2014年Ross Girshick发表了关于R-CNN算法的论文，可以说是利用深度学习进行目标识别的开山之作，从此深度学习进入到高速发展阶段，在CNN（卷积神经网络）上相继提出Fast R-CNN、Faster R-CNN、YOLO和SSD等目标检测算法。将深度学习应用于无人驾驶领域的代表公司有Mobileye和NVIDIA，他们把基于深度卷积神经网络的方法用于汽车的视觉系统中。从国内成功在多个城市举办了“中国智能车未来挑战赛”，也标志着国内的目标识别技术和无人驾驶技术也在一步一步的走向成熟。

{title}

2. 研究的基本内容与方案

{title}

选题研究的内容：

对于一幅图像中的信息进行识别，首先对获取到的图像信息进行处理，如下所示：