面向智能车主动安全的行人姿态估计

发布时间：2021-12-31 23:12

　　针对行人的主动安全一直以来都是智能驾驶领域非常关注的话题,车载相机获取的主要为远距离低分辨率图像。已有的针对远距离低分辨率图像的人体头部与身体姿态估计方法,主要采用传统的特征提取方法,检测精度较低。传统的头部姿态与身体姿态联合估计方法局限于构建空间与时间模型,模型过于复杂,且实时性低。对此,本文主要开展了如下研究工作:（1）将深度卷积神经网络（CNN）方法应用于人体头部与身体姿态估计。相比传统方法人工设计的特征,深度卷积神经网络中的卷积层,能够自动学习最优特征。其训练过程中的反向传播机制,使得网络收敛于全局最优解。本方法在CAVIAR头部姿态数据集上取得的Accuracy1精度为86%,在TUD身体姿态数据集上取得的Accuracy1精度为83%。相比于传统算法,不仅精度得到了明显提升,而且具有实时性。（2）将基于多任务学习的深度卷积神经（MTL-CNN）方法应用于人体头部与身体姿态联合估计。针对现有方法将头部姿态估计与身体姿态估计任务分开进行的不足,考虑到头部姿态估计任务与身体姿态估计任务的相关性,将人体头部姿态与身体姿态进行联合估计。本方法提出的多任务学习模型相比于单任务模型具备更... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：90 页

【学位级别】：硕士

【部分图文】：

头部姿态估计角度示意图

电子科技大学硕士学位论文度差，以此获得图像内较为显著的变化信息。头部姿态信息可以视作为脸殊区域的边缘或者外形信息，在低分辨率图像中边缘或者外形信息非常对光照不敏感的图像变化。头部姿态也可以视为给定图像的特殊区域的，作者将一张图像表示为基于像素的强度变化图，利用强度变化图，特定的变化可以用于描述头部姿态的变化。作者使用归一化的局部与全局强来辨别不同姿态间的区别，并且使用 sigmoid 函数来将特定值的微分输出，以及能将较大的微分值控制在合理范围之内。ee[41]提出一种基于压缩传感的人体头部姿态估计算法，利用提出的广泛且波器组将头部图像映射到高维特征空间。滤波器组包含多通道、多尺度、波器，滤波器组用于产生颜色和梯度信息的稀疏响应，这些信息能被随机，且能被随机森林方法分类。系统原理图如图 2-4 所示。特征空间随机森林

第二章 人体姿态估计算法综述一种方案将姿态表示为单位圆上的 2D 点，然后在训练网络时使用 L2 损失函数，在测试阶段，网络的输出的 2D 点不必须位于单位圆上，使用反 tan 函数映射为角度值；第二种方案同样使用单位圆上的点来表示，但是使用角度差损失函数代替L2 损失函数；第三种方案明显区别于前两种方案，将连续的角度估计转化为离散角度估计问题，使用标准的 softmax 函数获得每个类别的概率。在测试阶段，使用mean-shift 算法将离散的姿态输出转化为连续的姿态输出。离散姿态均匀部分在输出圆空间上，mean-shift 算法就是在圆空间寻找最可能的连续姿态。实验结果证明第三种方法效果优于前两种方法，其流程结构图如图 2-5 所示。输入图像特征图特征图离散姿态

【参考文献】：
期刊论文
[1]基于后验多重稀疏字典的多姿态行人检测[J]. 谷灵康,周鸣争,汪军,修宇.  系统仿真学报. 2017(02)
[2]一种基于深度卷积网络的鲁棒头部姿态估计方法[J]. 桑高丽,陈虎,赵启军.  四川大学学报(工程科学版). 2016(S1)
[3]辅助驾驶系统中驾驶员头部姿态估计关键问题研究[J]. 李荣,齐晓杰,鲍宇,史士财.  黑龙江工程学院学报. 2015(05)



本文编号：3561162