一种基于场景规则与深度卷积神经网络的行人检测方法

发布时间：2021-03-18 07:31

　　深度卷积网络是解决分类问题的一种有效手段,但行人检测任务并不能通过分类来直接实现.为了在行人检测问题中进一步发挥深度卷积网络的优越分类性能,在实拍场景下,针对平直道路的情况,提出了一种基于摄像机安装位置和摄像机参数的感兴趣区域分割方法,合理利用先验知识和规则,对行人在图像当中可能出现的位置,以及不同位置上行人的尺度大小给出限制,从而系统仅对可能发生危险的区域进行搜索,避免了传统方法中多尺度遍历搜索整副图像的弊端.在此基础上,将危险区域所得的候选目标窗口作为待检测样本传送到构建好的深度卷积网络中进行分类,完成行人检测任务.实验结果表明,所研究的算法在一定距离内达到了预期的检测效果. 

【文章来源】：河北师范大学学报(自然科学版). 2020,44(02)

【文章页数】：6 页

【部分图文】：

LeNet-5系统

图2为道路的实拍照片,来源于百度实景地图.其中红色框内区域是依据知识和经验所定义的高危险区域,黄色框内区域是所定义的次危险区域,其他区域被认为是安全区域,包括图像右侧的隔离带、非机动车道和人行道、图像左侧的对面车道、非机动车道和人行道,以及图像上半部分的天空、树木和房屋区域.值得注意的是,图像左侧人行道中有一个撑着伞的行人,根据上述定义,该行人处于安全区域;联想到实际驾驶时的场景,该行人很难与所驾车辆产生碰撞,辅助驾驶系统能否检测到该位置的行人对驾驶安全几乎没有影响,而驾驶人在驾驶时即便发现此处的行人也会选择忽略.由此可以证明,所提出的危险区域具有合理性.图2中,道路的分道线清晰可见,但是在很多情况下道路的分道线并不明显,为了在没有道路标志线的情况下准确获取所定义的高危险区域和次危险区域,提出了以下2点假设:

3.1 危险区域选择考虑到直接在公路上做实验存在较大的风险,同时也是违法行为,将实验场地迁移到了学校的运动场上.图3给出了学校运动场上实拍的景象,红色区域为所定义的高危险区域,黄色区域为次危险区域.卷积神经网络只检测是否有行人进入了危险区域,对于图像中的其他位置选择忽略,以提高检测速度.摄像机位于跑道的起点处,拍摄视角与地面平行,到地面的垂直距离为1 m,这是考虑到不同车辆摄像头安装位置不同,有的安装在车内的挡风玻璃上,有的安装在车前脸的进气栅处,其高度范围大致是0.6～1.4 m,本研究选取了比较折中的数值.

【参考文献】：
期刊论文
[1]Faster R-CNN行人检测与再识别为一体的行人检索算法[J]. 陈恩加,唐向宏,傅博文.  计算机辅助设计与图形学学报. 2019(02)
[2]基于Faster R-CNN的手势识别算法[J]. 吴晓凤,张江鑫,徐欣晨.  计算机辅助设计与图形学学报. 2018(03)
[3]基于SVM模型的单目红外图像深度估计[J]. 席林,孙韶媛,李琳娜,邹芳喻.  激光与红外. 2012(11)



本文编号：3088020