面向无人驾驶汽车视觉系统的行人检测算法研究

发布时间：2020-11-03 16:44

　　 随着科技与生产力的进步,无人驾驶汽车已经变得不再陌生,但是想要走进人们的生活中还需要更加完善的技术支持。行人检测一直是无人驾驶的重点部分,如何有效的躲避行人是目前研究人员最希望解决的问题。在行人检测中行人姿态的变化、行人着装的不同、复杂的背景画面、变化的光照条件以及检测的实时性都是目前的难点问题。本文的研究目的就是针对以上的难点提出一套面向无人驾驶汽车的行人检测算法系统。首先,针对原有的HOG提取方法无法解决相邻区域的混叠效应问题,提出插值的方法,将三线插值应用到累积直方图修正这一环节,减少了算法计算时间,提高了特征提取的实时性。对比三种不同情况下的支持向量机,利用SVM的训练方法找出最优的支持向量机,并提出一种生成强分类器的方法。其次,行人数据库是行人检测的样本基础,分别利用MIT和INRIA两种数据库制作本次试验的样本数据库。利用LIBSVM软件包进行分类器的实验,在实验过程中首先通过对比试验找到最合适的核函数,利用此核函数分别对两种样本进行试验,寻找到最优INRIA样本。最后提出了一种通过ROC曲线评估支持向量机性能的方法。然后,基于主成分分析原理,提出一种将PCA与HOG特征相结合的快速特征提取方法。根据这一方法进行实验,通过实验寻找到PCA降维的最优主成分参数p值,并利用最优p值进行HOG特征与HOG-PCA特征行人检测时间和识别率的对比实验,从而验证这一方法的可行性与快速性。最后,引入LBP特征,提出一种HOG特征和LBP特征多级联合的方法并在二级联合的步骤中加入计算识别框占图比,从而进一步筛选出包含了本次实验的行人目标。然后设计无人驾驶汽车的感知系统,针对无人驾驶汽车视觉系统搭建实验的硬件平台,编写驱动检测试验的软件界面,并利用这一平台进行行人图像采集和对比实验,验证这一系统对无人驾驶感知系统行人检测环节的适用性。
【学位单位】：燕山大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP391.41;U463.6
【部分图文】：

式中 J ( x, y )为输出图像， I ( x , y )为输入图像，gamma取值任意，下面通过对比实验选取合适gamma数值，在样本数据库中选择一些具有代表性的图片，分别对它们进行不同取值时的归一化处理。处理后的效果图和直方图如图2-2和图2-3所示。图2-2不同gamma值处理后的效果图2-3不同gamma值下的直方图通过对上面的处理数据分析，对gamma各种取值对比。gamma<1时，灰度值属于高灰度值，这时的图像动态范围和对比度比较小，图像就会变得比较亮；gamma>1，灰度值属于低灰度值，这时的动态范围和对比度同样比较小，但是这时的图像变得比较暗。通过对gamma分别取0.5、0.75、1、1.5、2进行测试发现当选取的gamma值为0.75的时候行人特征最明显，也最利于提取，因此本次实验最终选择0.75作为gamma的值。(2) 计算图像每个像素的梯度进行了归一化以后，计算图像的每个像素点的横纵坐标的梯度，并得到每一像素点的梯度幅值大小和方向。在求梯度时用到了求导

式中 J ( x, y )为输出图像， I ( x , y )为输入图像，gamma取值任意，下面通过对比实验选取合适gamma数值，在样本数据库中选择一些具有代表性的图片，分别对它们进行不同取值时的归一化处理。处理后的效果图和直方图如图2-2和图2-3所示。图2-2不同gamma值处理后的效果图2-3不同gamma值下的直方图通过对上面的处理数据分析，对gamma各种取值对比。gamma<1时，灰度值属于高灰度值，这时的图像动态范围和对比度比较小，图像就会变得比较亮；gamma>1，灰度值属于低灰度值，这时的动态范围和对比度同样比较小，但是这时的图像变得比较暗。通过对gamma分别取0.5、0.75、1、1.5、2进行测试发现当选取的gamma值为0.75的时候行人特征最明显，也最利于提取，因此本次实验最终选择0.75作为gamma的值。(2) 计算图像每个像素的梯度进行了归一化以后，计算图像的每个像素点的横纵坐标的梯度，并得到每一像素点的梯度幅值大小和方向。在求梯度时用到了求导

方图来统计并储存这些细胞单元的像素点梯度信息。在分类时将梯度方向限制在180°以内，即将细胞单元的梯度方向分成上下对称的两面，这样统计一面的方向即可。然后将两面的180°分别划分成9个角度范围。如图2-6所示：图2-6梯度方向划分统计的具体过程，需要利用到每个像素点的大小和方向，方向代表就是bin的位置，大小代表的bin的取值。例如某一像素点的梯度方向位于20°-40°或者200°-220°，梯度的幅值大小为2，这样统计直方图的第2个bin的数值就相应的加2。这样将一个细胞单元的8×8个像素点的梯度大小和方向都分别通过加权值投影的方式放到这一含有9个bin的直方图中，就得到了这个细胞单元的9维特征向量。上面过程用到了加权投票的方法，这一方法简单说就是在对数据统计时进行投票，而投票不是简单的加一方式投票，而是对每一票赋予了权值。而在这里权值的大小就是这一像素点的幅值。也有的研究尝试使用幅值的其他参数来表示权值
【相似文献】

相关期刊论文 前10条

1 李文博;;无人驾驶汽车的刑法规制探究[J];法制与经济;2019年03期

2 吕之品;;GPS导航,悬了![J];初中生世界;2019年13期

3 叶明;张洁;;无人驾驶汽车交通事故损害赔偿责任主体认定的挑战及对策[J];电子政务;2019年01期

4 钟菁;;无人驾驶汽车应用的刑事风险分析[J];长春师范大学学报;2019年01期

5 李持生;;无人驾驶汽车发展面临的挑战与建议浅谈[J];山东工业技术;2019年04期

6 苏昶玮;;探究无人驾驶汽车的发展趋势[J];通讯世界;2019年02期

7 杨雨淋;;我国无人驾驶汽车在道路交通事故中的侵权责任研究[J];理论观察;2018年12期

8 吴英霞;;无人驾驶汽车规范发展法律路径研究[J];科技管理研究;2019年02期

9 田喜清;韩伟;;无人驾驶汽车及其法律规制[J];长安大学学报(社会科学版);2019年01期

10 梁家泰;;汽车无人驾驶的关键技术及发展研究[J];信息通信;2019年02期

相关博士学位论文 前4条

1 唐国明;无人驾驶汽车半物理仿真系统的设计[D];中国科学技术大学;2012年

2 武历颖;无人驾驶汽车环境信息提取及运动决策方法研究[D];长安大学;2016年

3 黄如林;无人驾驶汽车动态障碍物避撞关键技术研究[D];中国科学技术大学;2017年

4 刘健;基于三维激光雷达的无人驾驶车辆环境建模关键技术研究[D];中国科学技术大学;2016年

相关硕士学位论文 前10条

1 李晓凡;全自动无人驾驶汽车人机界面概念设计[D];东南大学;2018年

2 邢一伟;面向无人驾驶汽车视觉系统的行人检测算法研究[D];燕山大学;2018年

3 汪明明;基于稠密网络的无人驾驶汽车交通标志牌识别技术研究[D];重庆交通大学;2018年

4 赵泽壹;无人驾驶汽车视觉里程计算法研究[D];陕西师范大学;2018年

5 李文越;无人驾驶汽车自动寻路与动态避障研究[D];长安大学;2018年

6 吴学易;基于激光里程计的无人驾驶汽车位姿估计研究[D];长安大学;2018年

7 王文宇;基于激光雷达的无人驾驶汽车自主寻迹研究[D];长安大学;2018年

8 周旺;高精度地图的构建及在定位和标注中的应用研究[D];国防科学技术大学;2016年

9 梁庆;无人驾驶汽车交通事故责任主体研究[D];海南大学;2017年

10 王士忠;参数化时空规范语言的语义模型及其应用[D];华东师范大学;2018年

本文编号：2868830