复杂行车场景下的行人与骑行人检测方法研究
发布时间：2021-04-02 18:07
行人与骑行人检测是先进辅助驾驶系统中不可或缺的一部分。通过对行人及骑行人进行检测,给汽车提供预判,可在很大程度上降低交通事故的发生率,减少人员伤亡程度,对人类的生命安全和社会都具有深远影响。现有的算法多将行人与骑行人分开处理,很少有进行行人与骑行人同时检测的算法,在实际应用时会导致硬件资源的浪费和时间的浪费。因此,本文旨在提出一种行人与骑行人同时检测算法。行人与骑行人检测,是目标检测任务的一个应用任务。尽管在某些领域内,YOLO等经典的通用目标检测算法可以快速准确地进行目标检测,但在进行行人与骑行人检测时,需要针对具体问题进行具体分析。为给系统提供清晰而广阔的行车视野,用于行人与骑行人检测的图像通常具有高分辨率。在真实行车环境中,道路环境复杂多变,目标个体差异大、尺寸差距大,这给行人与骑行人检测带来了困难,传统的通用检测算法难以适应这些问题。针对以上问题,本文建立了一种行人与骑行人检测框架,对行人及骑行人检测过程中涉及的相关技术进行研究。该检测框架能够实现行人与骑行人同时检测,在区分前景与背景的基础上,区分这两类目标。本文提出的行人与骑行人检测框架包括三部分:感兴趣区域提取算法、检测算...
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
图２－２?ＲｅｓＮｅｔｌ８中残差块结构图［３］??
第二章行人与骑行人检测基础理论与技术??的这些特征尺寸各不相同，所以对这些特征图进行ＲＯ丨池化操作，即可得到固??定长度的输出，将这个固定长度的特征图送入分类和回归网络，进行最终目标??的分类和回归操作，得到目标在图像中的精确位置。??Ｈ?ＲＰＮ?Ｈ候选区域卜这?—Ｉ?＞?＾?分类????????尝一？?ｔ?＼??特征提取，＾?ｌＵ??图?２－４?Ｆａｓｔｅｒ?Ｒ－ＣＮＮ?结构图［７］??特征图｜?』个＇描??３ｘ３Ｃｏｎｖ?｜?ｐｊ?！?〇?；??ｗ?！?°?；??ｌｘｌＣｏｎｖ?ｌｘｌ?Ｃｏｎｖ??■，［；」＇、?＼?：；??没分数?｜狀偏移凿??图２－５?ＲＰＮ结构图［７］??近年来，在ＦａｓｔｅｒＲ－ＣＮＮ的基础上，许多研宂者提出了一些针对性的改善??意见。例如，ＨｙｐｅｒＮｅｔ【５９＾善了特征提取网络，ＦＰＮ［６１啲提出使得ＲＰＮ网络更??准确，Ｍａｓｋ?Ｒ－ＣＮＮ［６（＾的提出改善了?ＲＯＩ池化。??ｓｔａｇｅ?１?ｓｔａｇｅ２?ｓｔａｇｅ３?ｓｔａｇｅ４??＿＿＿＿＿＿＿??＿＿＿＿＿?？ｌ??４４４４４?￥??图２－６?ＨＲＮｅｔ特征提取网络结构图丨５｜］??ＨＲＮｅｔ也是以ＦａｓｔｅｒＲ－ＣＮＮ为基础，在其上做出了改进。在经过卷积、池??化等一系列操作后，特征图的分辨率会降低，ＦＰＮ将低分辨率的特征图上采样??与高分辨率的图像进行融合，在多个尺度上进行检测。ＨＲＮｅｔ与之不同，其在??提取特征的过程中始终保持高分辨率的特征图，通过在高分辨率特征主网络中??１５??
第二章行人与骑行人检测基础理论与技术??的这些特征尺寸各不相同，所以对这些特征图进行ＲＯ丨池化操作，即可得到固??定长度的输出，将这个固定长度的特征图送入分类和回归网络，进行最终目标??的分类和回归操作，得到目标在图像中的精确位置。??Ｈ?ＲＰＮ?Ｈ候选区域卜这?—Ｉ?＞?＾?分类????????尝一？?ｔ?＼??特征提取，＾?ｌＵ??图?２－４?Ｆａｓｔｅｒ?Ｒ－ＣＮＮ?结构图［７］??特征图｜?』个＇描??３ｘ３Ｃｏｎｖ?｜?ｐｊ?！?〇?；??ｗ?！?°?；??ｌｘｌＣｏｎｖ?ｌｘｌ?Ｃｏｎｖ??■，［；」＇、?＼?：；??没分数?｜狀偏移凿??图２－５?ＲＰＮ结构图［７］??近年来，在ＦａｓｔｅｒＲ－ＣＮＮ的基础上，许多研宂者提出了一些针对性的改善??意见。例如，ＨｙｐｅｒＮｅｔ【５９＾善了特征提取网络，ＦＰＮ［６１啲提出使得ＲＰＮ网络更??准确，Ｍａｓｋ?Ｒ－ＣＮＮ［６（＾的提出改善了?ＲＯＩ池化。??ｓｔａｇｅ?１?ｓｔａｇｅ２?ｓｔａｇｅ３?ｓｔａｇｅ４??＿＿＿＿＿＿＿??＿＿＿＿＿?？ｌ??４４４４４?￥??图２－６?ＨＲＮｅｔ特征提取网络结构图丨５｜］??ＨＲＮｅｔ也是以ＦａｓｔｅｒＲ－ＣＮＮ为基础，在其上做出了改进。在经过卷积、池??化等一系列操作后，特征图的分辨率会降低，ＦＰＮ将低分辨率的特征图上采样??与高分辨率的图像进行融合，在多个尺度上进行检测。ＨＲＮｅｔ与之不同，其在??提取特征的过程中始终保持高分辨率的特征图，通过在高分辨率特征主网络中??１５??
【参考文献】：
期刊论文
[1]基于候选区域选择及深度网络模型的骑车人识别[J]. 李晓飞,许庆,熊辉,王建强,李克强. 清华大学学报(自然科学版). 2017(05)
博士论文
[1]先进驾驶员辅助驾驶系统关键技术研究[D]. 徐洋.重庆大学 2017
[2]基于深度学习的行人及骑车人车载图像识别方法[D]. 李晓飞.清华大学 2016
硕士论文
[1]基于机器视觉的汽车先进驾驶辅助系统中行人检测技术研究[D]. 王永宏.浙江大学 2019
本文编号：3115713
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
图２－２?ＲｅｓＮｅｔｌ８中残差块结构图［３］??
第二章行人与骑行人检测基础理论与技术??的这些特征尺寸各不相同，所以对这些特征图进行ＲＯ丨池化操作，即可得到固??定长度的输出，将这个固定长度的特征图送入分类和回归网络，进行最终目标??的分类和回归操作，得到目标在图像中的精确位置。??Ｈ?ＲＰＮ?Ｈ候选区域卜这?—Ｉ?＞?＾?分类????????尝一？?ｔ?＼??特征提取，＾?ｌＵ??图?２－４?Ｆａｓｔｅｒ?Ｒ－ＣＮＮ?结构图［７］??特征图｜?』个＇描??３ｘ３Ｃｏｎｖ?｜?ｐｊ?！?〇?；??ｗ?！?°?；??ｌｘｌＣｏｎｖ?ｌｘｌ?Ｃｏｎｖ??■，［；」＇、?＼?：；??没分数?｜狀偏移凿??图２－５?ＲＰＮ结构图［７］??近年来，在ＦａｓｔｅｒＲ－ＣＮＮ的基础上，许多研宂者提出了一些针对性的改善??意见。例如，ＨｙｐｅｒＮｅｔ【５９＾善了特征提取网络，ＦＰＮ［６１啲提出使得ＲＰＮ网络更??准确，Ｍａｓｋ?Ｒ－ＣＮＮ［６（＾的提出改善了?ＲＯＩ池化。??ｓｔａｇｅ?１?ｓｔａｇｅ２?ｓｔａｇｅ３?ｓｔａｇｅ４??＿＿＿＿＿＿＿??＿＿＿＿＿?？ｌ??４４４４４?￥??图２－６?ＨＲＮｅｔ特征提取网络结构图丨５｜］??ＨＲＮｅｔ也是以ＦａｓｔｅｒＲ－ＣＮＮ为基础，在其上做出了改进。在经过卷积、池??化等一系列操作后，特征图的分辨率会降低，ＦＰＮ将低分辨率的特征图上采样??与高分辨率的图像进行融合，在多个尺度上进行检测。ＨＲＮｅｔ与之不同，其在??提取特征的过程中始终保持高分辨率的特征图，通过在高分辨率特征主网络中??１５??
第二章行人与骑行人检测基础理论与技术??的这些特征尺寸各不相同，所以对这些特征图进行ＲＯ丨池化操作，即可得到固??定长度的输出，将这个固定长度的特征图送入分类和回归网络，进行最终目标??的分类和回归操作，得到目标在图像中的精确位置。??Ｈ?ＲＰＮ?Ｈ候选区域卜这?—Ｉ?＞?＾?分类????????尝一？?ｔ?＼??特征提取，＾?ｌＵ??图?２－４?Ｆａｓｔｅｒ?Ｒ－ＣＮＮ?结构图［７］??特征图｜?』个＇描??３ｘ３Ｃｏｎｖ?｜?ｐｊ?！?〇?；??ｗ?！?°?；??ｌｘｌＣｏｎｖ?ｌｘｌ?Ｃｏｎｖ??■，［；」＇、?＼?：；??没分数?｜狀偏移凿??图２－５?ＲＰＮ结构图［７］??近年来，在ＦａｓｔｅｒＲ－ＣＮＮ的基础上，许多研宂者提出了一些针对性的改善??意见。例如，ＨｙｐｅｒＮｅｔ【５９＾善了特征提取网络，ＦＰＮ［６１啲提出使得ＲＰＮ网络更??准确，Ｍａｓｋ?Ｒ－ＣＮＮ［６（＾的提出改善了?ＲＯＩ池化。??ｓｔａｇｅ?１?ｓｔａｇｅ２?ｓｔａｇｅ３?ｓｔａｇｅ４??＿＿＿＿＿＿＿??＿＿＿＿＿?？ｌ??４４４４４?￥??图２－６?ＨＲＮｅｔ特征提取网络结构图丨５｜］??ＨＲＮｅｔ也是以ＦａｓｔｅｒＲ－ＣＮＮ为基础，在其上做出了改进。在经过卷积、池??化等一系列操作后，特征图的分辨率会降低，ＦＰＮ将低分辨率的特征图上采样??与高分辨率的图像进行融合，在多个尺度上进行检测。ＨＲＮｅｔ与之不同，其在??提取特征的过程中始终保持高分辨率的特征图，通过在高分辨率特征主网络中??１５??
【参考文献】：
期刊论文
[1]基于候选区域选择及深度网络模型的骑车人识别[J]. 李晓飞,许庆,熊辉,王建强,李克强. 清华大学学报(自然科学版). 2017(05)
博士论文
[1]先进驾驶员辅助驾驶系统关键技术研究[D]. 徐洋.重庆大学 2017
[2]基于深度学习的行人及骑车人车载图像识别方法[D]. 李晓飞.清华大学 2016
硕士论文
[1]基于机器视觉的汽车先进驾驶辅助系统中行人检测技术研究[D]. 王永宏.浙江大学 2019
本文编号：3115713
本文链接：https://www.wllwen.com/kejilunwen/qiche/3115713.html
