车载热成像行人检测优化方法
发布时间：2021-08-24 08:12
随着我国汽车保有量持续增长,行车安全问题日益严峻。车载热成像行人检测系统通过实时检测前方道路行人,警示驾驶员规避碰撞,进而有效减少人车碰撞事故。由于热成像图像颜色信息缺乏、目标细节及纹理不明显,且道路场景中的行人目标通常存在遮挡、热度分布不均、尺度差异大等现象的干扰,导致准确检测热成像图像中的行人目标难度较大。本文围绕热成像图像行人特点,对现有的行人检测算法展开研究,并提出优化方法。本文主要贡献包括:1)热成像图像中行人头部模式较为固定,提出基于头部特征点的车载热成像行人检测感兴趣区域（Region of Interests,Ro Is）提取算法。利用帧头部区域和前景区域约束头部特征点提取,提升头部特征点提取的精度和效率;设计高效的头部特征点Ro Is模型计算头部特征点生成Ro Is,并通过前景信息度量调整Ro Is,提升Ro Is定位准度;实验结果表明,所提方法在保证高实时性的前提下,覆盖率和召回率明显优于图像分割方法。2)车载热成像行人检测中存在样本分布不平衡和分类器效率较低的问题,提出基于HOG-XGBoost的车载热成像行人检测分类器优化方法。将Focal-Loss引入XGBo...
【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
BiC模块和BPIF模块网络结构[46]
华南理工大学硕士学位论文10表1-1热成像行人检测数据集数据集行人标注数量图像帧数总帧数训练集测试集训练集测试集LSI[47]10.2k5.9k6.2k9.1k15.3kCVC[48]4.8k4.3k3.5k1.4k4.9kKAIST[49]42k45k50k45k95kSCUT[50]175k177k108k103k211ka)市中心场景b)郊区场景c)校园场景d)快速道路图1-3SCUT热成像数据集，红色框、绿色框、黄色框分别为“ride_person”、“walk_person”和“people”，虚线表示遮挡[50]1.3研究内容与创新点本文围绕热成像图像行人特点，对现有的行人检测算法展开研究，并提出优化方案。本文的具体研究内容和创新点总结如下：1）提出基于头部特征点的车载热成像行人检测RoIs提取算法热成像图像中行人头部模式较为固定，不论行人是行走还是骑行姿态，均呈现为高亮的近似圆形，利用行人头部来定位行人更容易获得鲁棒的结果，因此提出基于头部特
华南理工大学硕士学位论文16图2-1连通区域标记效果图2-24-邻接(左)与8-邻接(右)关系2.2.2基于特征点提取感兴趣区域热成像图像中行人头部模式较为固定，不论行人是站立、行走还是骑行姿态，均呈现为高亮的近似圆形。基于这一认识，Miron等人[15]提出一种基于特征点提取的感兴趣区域提取方法，该方法使用SURF算法检测图像中的特征点，然后通过特征点与分层码本聚类中心进行匹配以生成行人RoIs。由于本文提出的基于头部特征点的车载热成像行人检测RoIs提取方法使用SURF算法定位头部点，但是不涉及到SURF特征描述子和分层码本匹配，因此接下来仅介绍SURF算法中的特征点定位过程。SURF算法定位特征点的过程为：首先逐像素计算Hessian矩阵行列式值，然后将Hessian矩阵行列式值作为响应值构造多尺度金字塔响应层，最后使用三维极大值判定方法在多尺度响应层上确定特征点位置和尺度。（一）Hessian矩阵行列式值计算对于图像金字塔尺度为σ的图像I，位置(x,y)的像素点κ对应的Hessian矩阵定义为：),(),(),(),(),(yyxyxyxxLLLLH(2-8)
【参考文献】：
期刊论文
[1]不平衡分类的数据采样方法综述[J]. 刘定祥,乔少杰,张永清,韩楠,魏军林,张榕珂,黄萍. 重庆理工大学学报(自然科学). 2019(07)
[2]鲁棒车载热成像行人检测的感兴趣区域提取方法[J]. 徐哲炜,许瑞霖,刘琼. 华南理工大学学报(自然科学版). 2019(02)
[3]图像阈值分割方法研究进展20年（1994—2014）[J]. 吴一全,孟天亮,吴诗婳. 数据采集与处理. 2015(01)
[4]一种双阈值红外行人分割方法[J]. 石祥滨,刘晓娜,刘芳. 计算机工程. 2012(12)
博士论文
[1]车载单目远红外行人检测关键技术研究[D]. 王国华.华南理工大学 2016
硕士论文
[1]低维度特征的行人检测研究[D]. 文韬.长沙理工大学 2013
本文编号：3359623
【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
BiC模块和BPIF模块网络结构[46]
华南理工大学硕士学位论文10表1-1热成像行人检测数据集数据集行人标注数量图像帧数总帧数训练集测试集训练集测试集LSI[47]10.2k5.9k6.2k9.1k15.3kCVC[48]4.8k4.3k3.5k1.4k4.9kKAIST[49]42k45k50k45k95kSCUT[50]175k177k108k103k211ka)市中心场景b)郊区场景c)校园场景d)快速道路图1-3SCUT热成像数据集，红色框、绿色框、黄色框分别为“ride_person”、“walk_person”和“people”，虚线表示遮挡[50]1.3研究内容与创新点本文围绕热成像图像行人特点，对现有的行人检测算法展开研究，并提出优化方案。本文的具体研究内容和创新点总结如下：1）提出基于头部特征点的车载热成像行人检测RoIs提取算法热成像图像中行人头部模式较为固定，不论行人是行走还是骑行姿态，均呈现为高亮的近似圆形，利用行人头部来定位行人更容易获得鲁棒的结果，因此提出基于头部特
华南理工大学硕士学位论文16图2-1连通区域标记效果图2-24-邻接(左)与8-邻接(右)关系2.2.2基于特征点提取感兴趣区域热成像图像中行人头部模式较为固定，不论行人是站立、行走还是骑行姿态，均呈现为高亮的近似圆形。基于这一认识，Miron等人[15]提出一种基于特征点提取的感兴趣区域提取方法，该方法使用SURF算法检测图像中的特征点，然后通过特征点与分层码本聚类中心进行匹配以生成行人RoIs。由于本文提出的基于头部特征点的车载热成像行人检测RoIs提取方法使用SURF算法定位头部点，但是不涉及到SURF特征描述子和分层码本匹配，因此接下来仅介绍SURF算法中的特征点定位过程。SURF算法定位特征点的过程为：首先逐像素计算Hessian矩阵行列式值，然后将Hessian矩阵行列式值作为响应值构造多尺度金字塔响应层，最后使用三维极大值判定方法在多尺度响应层上确定特征点位置和尺度。（一）Hessian矩阵行列式值计算对于图像金字塔尺度为σ的图像I，位置(x,y)的像素点κ对应的Hessian矩阵定义为：),(),(),(),(),(yyxyxyxxLLLLH(2-8)
【参考文献】：
期刊论文
[1]不平衡分类的数据采样方法综述[J]. 刘定祥,乔少杰,张永清,韩楠,魏军林,张榕珂,黄萍. 重庆理工大学学报(自然科学). 2019(07)
[2]鲁棒车载热成像行人检测的感兴趣区域提取方法[J]. 徐哲炜,许瑞霖,刘琼. 华南理工大学学报(自然科学版). 2019(02)
[3]图像阈值分割方法研究进展20年（1994—2014）[J]. 吴一全,孟天亮,吴诗婳. 数据采集与处理. 2015(01)
[4]一种双阈值红外行人分割方法[J]. 石祥滨,刘晓娜,刘芳. 计算机工程. 2012(12)
博士论文
[1]车载单目远红外行人检测关键技术研究[D]. 王国华.华南理工大学 2016
硕士论文
[1]低维度特征的行人检测研究[D]. 文韬.长沙理工大学 2013
本文编号：3359623
本文链接：https://www.wllwen.com/kejilunwen/qiche/3359623.html
