复杂道路场景下的行人检测方法研究
发布时间：2022-01-05 19:55
行人检测是自动驾驶、机器人、智能视频监控等领域的关键技术,也是计算机视觉任务中的重要组成部分。近十年来,从早期传统手工特征方法到现今主流的深度学习方法,行人检测技术取得了巨大进步。但是由于道路环境的复杂变化,行人目标受到遮挡、光照变化等因素的影响,要实现准确、快速且实用的检测方法仍存在一定困难。本文围绕行人检测任务面临的遮挡、全天候检测中的光照变化问题开展研究,同时兼顾检测的准确度和实时性。本文主要研究内容如下:针对目前遮挡行人特征提取困难导致检测准确度较低的问题,提出了一种基于注意力机制的检测方法。该方法首先采用金字塔结构的特征提取网络获取图像不同尺度和信息量的特征。然后基于特征通道和空间注意力机制设计了一种注意力模块,引导网络关注并突出遮挡目标,并将该模块嵌入到多尺度特征融合过程中,以增强网络对于遮挡目标的特征表达能力。最后,不同于主流方法采用的基于先验框的预测方式,该方法将行人检测问题转化为高层语义特征检测问题,采用激活图的形式得到预测结果。通过在公开数据集上进行的实验,验证了该方法在遮挡行人检测准确度和实时性上具有优势。针对全天候行人检测任务中存在的光照变化问题,特别是夜间低照...
【文章来源】：重庆邮电大学重庆市
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
聚合通道特征算法流程[13]
重庆邮电大学硕士学位论文第2章行人检测技术理论基础122.聚合通道特征聚合通道特征是P.Dollar等人[13]提出的一种用于目标检测的特征提取方法，其主要特点在于多尺度的图像特征可以通过从临近尺度近似计算得到，而不用逐一显式计算每个尺度的特征，从而减少了计算量。算法流程如图2.2所示。图2.2聚合通道特征算法流程[13]首先对于输入图像I，通过具有平移不变性的转换函数得到多个特征通道C(I)，并通过近似计算构建特征金字塔；然后将每个特征通道分割为44的块(block)，并对每个块求和作为通道特征；最后连接各通道特征得到ACF特征向量。ACF共使用了10个特征通道包括3个颜色通道(LUV)、1个梯度幅值通道、6个梯度方向通道。与积分通道特征ICF相比，ACF简化了积分图计算，使用固定大小的块求和提取特征。同时近似计算得到的特征金字塔也进一步加快了计算速度。3.卷积网络特征卷积神经网络特征与手工特征最大的区别在于前者是通过卷积神经网络从输入图像中通过学习的方式自动提取得到的，属于数据驱动型。得益于人工智能技术的发展，目前主流行人检测方法多采用神经网络作为特征提取器。图2.3LeNet-5网络结构[53]目前采用最广泛的卷积网络形式为全卷积神经网络(FullyConvolutionalNetworks，FCN)，而经典的CNN结构如LeNet[53]通常由卷积层和池化层交替构成，如图2.3所示，输出端则为全连接层(FullyConnection，FC)。相比于全连接网络，基于局部连接和权值共享的卷积网络在计算量和泛化能力上更具有优势[54]。但两者
重庆邮电大学硕士学位论文第2章行人检测技术理论基础13在训练优化方面原理是一致的，可以通过误差反向传播算法(Back-propagation，BP)进行学习。卷积网络的特征提取能力往往由网络结构决定。目前出现了一大批优秀的卷积网络模型如VGG[55]、Inception[56]、ResNet[57]，这些网络模型通常作为检测器的主干网络用于提取高层语义特征。与传统手工特征相比，基于逐层抽象的卷积网络提取特征的能力更强但需要大量数据进行训练，同时计算量也更大。如何设计小巧且表达能力强的网络成为了该领域的研究热点之一。2.1.2分类与回归从输入图像提取到有效的特征后，将特征输入分类器或回归器中得到最终的检测结构。常用的分类器有SVM、AdaBoost、神经网络。1.SVM是一种常用于二分类任务的经典分类算法，通过寻找一个超平面来最大化样本到该平面的距离从而实现分类。如图2.4所示，设给定的特征空间上有训练样本(,)iixy，i1,2,L,N，其中Nix为第i个训练样本，{1,1}iy为对应的标签，并假设训练集线性可分。对于超平面0Twxb，容易得到分类间隔(margin)为2w，为最大化间隔仅需最小化2w，即满足式(2.4)。2,1min2..()1,1,2,,wbTiiwstywxbiNL(2.4)上式可通过构造拉格朗日函数求解鞍点获得最优解。图2.4SVM超平面示例
【参考文献】：
期刊论文
[1]自动驾驶汽车测试技术与应用进展[J]. 余卓平,邢星宇,陈君毅. 同济大学学报(自然科学版). 2019(04)
[2]道路交通网络安全风险辨识研究进展[J]. 陆建,程泽阳. 东南大学学报(自然科学版). 2019(02)
[3]基于深度学习的自动驾驶技术综述[J]. 张新钰,高洪波,赵建辉,周沫. 清华大学学报(自然科学版). 2018(04)
[4]图像理解中的卷积神经网络[J]. 常亮,邓小明,周明全,武仲科,袁野,杨硕,王宏安. 自动化学报. 2016(09)
[5]面向辅助驾驶的夜间行人检测方法[J]. 庄家俊,刘琼. 华南理工大学学报(自然科学版). 2012(08)
[6]行人检测技术综述[J]. 苏松志,李绍滋,陈淑媛,蔡国榕,吴云东. 电子学报. 2012(04)
博士论文
[1]可见光与长波红外图像融合的行人检测方法研究[D]. 官大衍.浙江大学 2019
本文编号：3570979
【文章来源】：重庆邮电大学重庆市
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
聚合通道特征算法流程[13]
重庆邮电大学硕士学位论文第2章行人检测技术理论基础122.聚合通道特征聚合通道特征是P.Dollar等人[13]提出的一种用于目标检测的特征提取方法，其主要特点在于多尺度的图像特征可以通过从临近尺度近似计算得到，而不用逐一显式计算每个尺度的特征，从而减少了计算量。算法流程如图2.2所示。图2.2聚合通道特征算法流程[13]首先对于输入图像I，通过具有平移不变性的转换函数得到多个特征通道C(I)，并通过近似计算构建特征金字塔；然后将每个特征通道分割为44的块(block)，并对每个块求和作为通道特征；最后连接各通道特征得到ACF特征向量。ACF共使用了10个特征通道包括3个颜色通道(LUV)、1个梯度幅值通道、6个梯度方向通道。与积分通道特征ICF相比，ACF简化了积分图计算，使用固定大小的块求和提取特征。同时近似计算得到的特征金字塔也进一步加快了计算速度。3.卷积网络特征卷积神经网络特征与手工特征最大的区别在于前者是通过卷积神经网络从输入图像中通过学习的方式自动提取得到的，属于数据驱动型。得益于人工智能技术的发展，目前主流行人检测方法多采用神经网络作为特征提取器。图2.3LeNet-5网络结构[53]目前采用最广泛的卷积网络形式为全卷积神经网络(FullyConvolutionalNetworks，FCN)，而经典的CNN结构如LeNet[53]通常由卷积层和池化层交替构成，如图2.3所示，输出端则为全连接层(FullyConnection，FC)。相比于全连接网络，基于局部连接和权值共享的卷积网络在计算量和泛化能力上更具有优势[54]。但两者
重庆邮电大学硕士学位论文第2章行人检测技术理论基础13在训练优化方面原理是一致的，可以通过误差反向传播算法(Back-propagation，BP)进行学习。卷积网络的特征提取能力往往由网络结构决定。目前出现了一大批优秀的卷积网络模型如VGG[55]、Inception[56]、ResNet[57]，这些网络模型通常作为检测器的主干网络用于提取高层语义特征。与传统手工特征相比，基于逐层抽象的卷积网络提取特征的能力更强但需要大量数据进行训练，同时计算量也更大。如何设计小巧且表达能力强的网络成为了该领域的研究热点之一。2.1.2分类与回归从输入图像提取到有效的特征后，将特征输入分类器或回归器中得到最终的检测结构。常用的分类器有SVM、AdaBoost、神经网络。1.SVM是一种常用于二分类任务的经典分类算法，通过寻找一个超平面来最大化样本到该平面的距离从而实现分类。如图2.4所示，设给定的特征空间上有训练样本(,)iixy，i1,2,L,N，其中Nix为第i个训练样本，{1,1}iy为对应的标签，并假设训练集线性可分。对于超平面0Twxb，容易得到分类间隔(margin)为2w，为最大化间隔仅需最小化2w，即满足式(2.4)。2,1min2..()1,1,2,,wbTiiwstywxbiNL(2.4)上式可通过构造拉格朗日函数求解鞍点获得最优解。图2.4SVM超平面示例
【参考文献】：
期刊论文
[1]自动驾驶汽车测试技术与应用进展[J]. 余卓平,邢星宇,陈君毅. 同济大学学报(自然科学版). 2019(04)
[2]道路交通网络安全风险辨识研究进展[J]. 陆建,程泽阳. 东南大学学报(自然科学版). 2019(02)
[3]基于深度学习的自动驾驶技术综述[J]. 张新钰,高洪波,赵建辉,周沫. 清华大学学报(自然科学版). 2018(04)
[4]图像理解中的卷积神经网络[J]. 常亮,邓小明,周明全,武仲科,袁野,杨硕,王宏安. 自动化学报. 2016(09)
[5]面向辅助驾驶的夜间行人检测方法[J]. 庄家俊,刘琼. 华南理工大学学报(自然科学版). 2012(08)
[6]行人检测技术综述[J]. 苏松志,李绍滋,陈淑媛,蔡国榕,吴云东. 电子学报. 2012(04)
博士论文
[1]可见光与长波红外图像融合的行人检测方法研究[D]. 官大衍.浙江大学 2019
本文编号：3570979
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3570979.html
最近更新
教材专著
