面向智能汽车的雾天行人在线检测研究
发布时间：2022-02-10 05:11
行人检测技术是智能汽车环境感知系统的关键技术之一,由于行人姿态的多样性、背景环境的复杂性,其检测难度较大。对此,本文在DPM算法的基础之上,提出了F-DPM算法,实现了行人的快速、准确检测。此外,雾天环境会使摄像头成像质量下降,对行人检测效果产生影响,本文通过暗通道细化去雾算法进行去雾预处理,提升了雾天图像的图像质量。具体工作安排如下:首先,研究了HOG特征提取理论和实现过程,明确其特征结构,并以此为基础构建了DPM行人检测模型。通过根滤波器和部件滤波器软连接的形式,实现了多姿态行人的有效检测;通过构建图像金字塔,实现了不同尺度行人的有效检测。在模型训练过程中,使用难样例学习的训练方法,提升了SVM分类器的收敛速度和分类性能。在实际检测过程中,提出了F-DPM行人检测算法,通过快速特征金字塔的构建方法和离散傅里叶变换,加快了行人检测速度。其次,通过暗通道细化去雾算法对雾天图像进行去雾预处理。对雾天图像、无雾图像的成像特点进行研究,分析了雾天环境对图像质量的影响;在入射光光能吸收模型和散射光散射模型的基础之上,构建了雾天图像的衰退模型。对暗通道去雾算法的实现理论进行研究,通过导向滤波对其...
【文章来源】：武汉理工大学湖北省211工程院校教育部直属院校
【文章页数】：83 页
【学位级别】：硕士
【部分图文】：
图像灰度化
武汉理工大学硕士学位论文11类视觉系统的感官效果，因此也是使用最多的变换方法，其具体的变换公式如式（2-1）所示。H(i,j)=0.3R(i,j)+0.59G(i,j)+0.11B(i,j)(2-1)式（2-1）中：H(i,j)表示灰度图中(i,j)坐标像素点的灰度值，R(i,j)表示彩色图中(i,j)坐标像素点的红色通道分量值，G(i,j)表示彩色图中(i,j)坐标像素点的绿色通道分量值，B(i,j)表示彩色图中(i,j)坐标像素点的蓝色通道分量值。图2-1图像灰度化（2）图像全局校正图像全局校正用于降低光照和阴影对HOG特征的影响，主要通过调节图像的对比度，以达到对抗局部阴影和光照的效果，一般采用伽马校正的方法来实现，相应的计算公式如式（2-2）所示。(,)(,)gammaIij=Hij(2-2)式中I(i,j)为伽马校正之后(i,j)像素点处的灰度值，gamma=0.5。伽马校正的效果示例如图2-2所示。图2-2图像伽马校正
武汉理工大学硕士学位论文13式（2-5）计算所得的梯度方向θ的取值范围为0~360°，现规定将θ按20°的间隔划分为18个区域，并将相对的两个区域设定为一个bin，最终θ空间被划分为9个bin区域，而Cell单元格构建了一个在θ方向上的9维向量。论文[5]中Cell大小设置为8×8，其计算效率最高，且HOG特征表现效果较好。（5）归一化Block梯度直方图步骤（4）中以Cell为计算单元，计算得到了一个9维向量，但是其视觉感受域较小，对此将相邻的4个Cell串联为Block，由此可以得到一个36维向量Blockv，通过Blockv向量来反映检测目标与背景之间的像素梯度差，如图2-4所示。图2-4检测窗口Cell、Block划分人但由于整张图像中，局部Cell之间存在着光照强度的不一致性，因此计算所得的Blockv数值相差较大。故而在计算得到Blockv后需对其进行归一化处理，以进一步消除光照、阴影不均匀性对HOG特征产生的影响。本文通过2L正则化对Blockv进行归一化处理，其具体的归一化公式如式（2-6）所示。222||||BlockNorBlocke=+vvv(2-6)式中Norv表示Blockv进行2L正则化后的向量，e为一个非常小的常量数值，2||||Blockv的计算公式如式（2-7）所示。
【参考文献】：
期刊论文
[1]基于改进SSD的行人检测方法[J]. 邢浩强,杜志岐,苏波. 计算机工程. 2018(11)
[2]结合Faster RCNN和相似性度量的行人目标检测[J]. 李宗民,邢敏敏,刘玉杰,李华. 图学学报. 2018(05)
[3]基于暗通道去雾和深度学习的行人检测方法[J]. 田青,袁曈阳,杨丹,魏运. 激光与光电子学进展. 2018(11)
[4]基于难负样本挖掘的改进Faster RCNN训练方法[J]. 艾拓,梁亚玲,杜明辉. 计算机科学. 2018(05)
[5]基于增强聚合通道特征的实时行人重识别[J]. 黄新宇,许娇龙,郭纲,郑二功. 激光与光电子学进展. 2017(09)
[6]基于双目视觉的聚合积分通道行人检测优化算法[J]. 金志刚,赵明昕,张瑞,卫津津. 天津大学学报(自然科学与工程技术版). 2016(12)
[7]基于小波降噪度量的图像去雾研究[J]. 黄凤. 微电子学与计算机. 2016(07)
[8]融合边缘信息的单尺度Retinex海雾去除算法[J]. 马忠丽,文杰. 计算机辅助设计与图形学学报. 2015(02)
[9]基于FIR滤波器的高速公路低能见度检测仪[J]. 谭廷庆,刘晓明. 计算机技术与发展. 2011(01)
[10]基于多特征的AdaBoost行人检测算法[J]. 黄如锦,李谊,李文辉,江琦,杨赢涛. 吉林大学学报(理学版). 2010(03)
博士论文
[1]基于先验知识的图像去雾算法[D]. 张文博.电子科技大学 2017
[2]大气散射模型在雾天图像增强和海面小目标检测中的应用[D]. 齐保军.国防科学技术大学 2013
硕士论文
[1]基于Retinex理论的图像与视频增强算法研究[D]. 张诗.南京邮电大学 2018
[2]基于数字图像处理的雾天车牌识别技术研究[D]. 邓从龙.安徽理工大学 2018
[3]车载视频行人检测技术研究[D]. 胡永利.吉林大学 2018
[4]监控视频中的行人再识别技术研究[D]. 王凯南.东南大学 2017
[5]雾天条件下高速公路视频事件检测技术研究[D]. 周轶凡.东南大学 2017
[6]基于多特征融合的监控视频行人检测器的设计与实现[D]. 贾孟飞.南京邮电大学 2016
[7]基于视频图像的高速公路能见度检测技术研究[D]. 韩明敏.北京交通大学 2016
[8]图像中行人检测关键技术研究[D]. 赵九洋.南京大学 2015
[9]基于haar特征的运动人体检测[D]. 高宇.吉林大学 2013
[10]雾天成像仿真和薄雾薄云去除方法研究[D]. 褚宏莉.上海交通大学 2013
本文编号：3618308
【文章来源】：武汉理工大学湖北省211工程院校教育部直属院校
【文章页数】：83 页
【学位级别】：硕士
【部分图文】：
图像灰度化
武汉理工大学硕士学位论文11类视觉系统的感官效果，因此也是使用最多的变换方法，其具体的变换公式如式（2-1）所示。H(i,j)=0.3R(i,j)+0.59G(i,j)+0.11B(i,j)(2-1)式（2-1）中：H(i,j)表示灰度图中(i,j)坐标像素点的灰度值，R(i,j)表示彩色图中(i,j)坐标像素点的红色通道分量值，G(i,j)表示彩色图中(i,j)坐标像素点的绿色通道分量值，B(i,j)表示彩色图中(i,j)坐标像素点的蓝色通道分量值。图2-1图像灰度化（2）图像全局校正图像全局校正用于降低光照和阴影对HOG特征的影响，主要通过调节图像的对比度，以达到对抗局部阴影和光照的效果，一般采用伽马校正的方法来实现，相应的计算公式如式（2-2）所示。(,)(,)gammaIij=Hij(2-2)式中I(i,j)为伽马校正之后(i,j)像素点处的灰度值，gamma=0.5。伽马校正的效果示例如图2-2所示。图2-2图像伽马校正
武汉理工大学硕士学位论文13式（2-5）计算所得的梯度方向θ的取值范围为0~360°，现规定将θ按20°的间隔划分为18个区域，并将相对的两个区域设定为一个bin，最终θ空间被划分为9个bin区域，而Cell单元格构建了一个在θ方向上的9维向量。论文[5]中Cell大小设置为8×8，其计算效率最高，且HOG特征表现效果较好。（5）归一化Block梯度直方图步骤（4）中以Cell为计算单元，计算得到了一个9维向量，但是其视觉感受域较小，对此将相邻的4个Cell串联为Block，由此可以得到一个36维向量Blockv，通过Blockv向量来反映检测目标与背景之间的像素梯度差，如图2-4所示。图2-4检测窗口Cell、Block划分人但由于整张图像中，局部Cell之间存在着光照强度的不一致性，因此计算所得的Blockv数值相差较大。故而在计算得到Blockv后需对其进行归一化处理，以进一步消除光照、阴影不均匀性对HOG特征产生的影响。本文通过2L正则化对Blockv进行归一化处理，其具体的归一化公式如式（2-6）所示。222||||BlockNorBlocke=+vvv(2-6)式中Norv表示Blockv进行2L正则化后的向量，e为一个非常小的常量数值，2||||Blockv的计算公式如式（2-7）所示。
【参考文献】：
期刊论文
[1]基于改进SSD的行人检测方法[J]. 邢浩强,杜志岐,苏波. 计算机工程. 2018(11)
[2]结合Faster RCNN和相似性度量的行人目标检测[J]. 李宗民,邢敏敏,刘玉杰,李华. 图学学报. 2018(05)
[3]基于暗通道去雾和深度学习的行人检测方法[J]. 田青,袁曈阳,杨丹,魏运. 激光与光电子学进展. 2018(11)
[4]基于难负样本挖掘的改进Faster RCNN训练方法[J]. 艾拓,梁亚玲,杜明辉. 计算机科学. 2018(05)
[5]基于增强聚合通道特征的实时行人重识别[J]. 黄新宇,许娇龙,郭纲,郑二功. 激光与光电子学进展. 2017(09)
[6]基于双目视觉的聚合积分通道行人检测优化算法[J]. 金志刚,赵明昕,张瑞,卫津津. 天津大学学报(自然科学与工程技术版). 2016(12)
[7]基于小波降噪度量的图像去雾研究[J]. 黄凤. 微电子学与计算机. 2016(07)
[8]融合边缘信息的单尺度Retinex海雾去除算法[J]. 马忠丽,文杰. 计算机辅助设计与图形学学报. 2015(02)
[9]基于FIR滤波器的高速公路低能见度检测仪[J]. 谭廷庆,刘晓明. 计算机技术与发展. 2011(01)
[10]基于多特征的AdaBoost行人检测算法[J]. 黄如锦,李谊,李文辉,江琦,杨赢涛. 吉林大学学报(理学版). 2010(03)
博士论文
[1]基于先验知识的图像去雾算法[D]. 张文博.电子科技大学 2017
[2]大气散射模型在雾天图像增强和海面小目标检测中的应用[D]. 齐保军.国防科学技术大学 2013
硕士论文
[1]基于Retinex理论的图像与视频增强算法研究[D]. 张诗.南京邮电大学 2018
[2]基于数字图像处理的雾天车牌识别技术研究[D]. 邓从龙.安徽理工大学 2018
[3]车载视频行人检测技术研究[D]. 胡永利.吉林大学 2018
[4]监控视频中的行人再识别技术研究[D]. 王凯南.东南大学 2017
[5]雾天条件下高速公路视频事件检测技术研究[D]. 周轶凡.东南大学 2017
[6]基于多特征融合的监控视频行人检测器的设计与实现[D]. 贾孟飞.南京邮电大学 2016
[7]基于视频图像的高速公路能见度检测技术研究[D]. 韩明敏.北京交通大学 2016
[8]图像中行人检测关键技术研究[D]. 赵九洋.南京大学 2015
[9]基于haar特征的运动人体检测[D]. 高宇.吉林大学 2013
[10]雾天成像仿真和薄雾薄云去除方法研究[D]. 褚宏莉.上海交通大学 2013
本文编号：3618308
本文链接：https://www.wllwen.com/kejilunwen/qiche/3618308.html
