智能车辆对行人的运动感知和过街意图预测研究

发布时间：2021-04-21 21:31

　　随着科技进步和社会发展,智能驾驶技术应运而生。环境感知是智能驾驶的基础前提,为车辆提供正确的视觉信息。行人作为交通环境中的重要参与者,其动作灵活多变,极易造成不必要的交通事故,且行人的运动状态（位置、速度和加速度）影响过街意图,结合行人的运动状态和其他影响因素的情况下,可以对其过街意图进行预测,避免不必要的事故发生。因此,本文主要从行人及其头部方向的检测、行人跟踪及其运动状态估计和行人过街意图预测这三个方面展开研究。1、行人及其头部方向检测。基于深度学习平台Caffe,搭建Faster-Rcnn和Fast-Rcnn网络框架,采集大量包含道路行人的场景图片,利用LabelImg对场景图片进行标签文件标注,制成样本集,对网络进行训练,得到检测行人和其头部方向的网络模型。比较不同网络框架组合不同特征提取网络的检测效果,Faster-Rcnn+VGG16组合的检测效果最好,整体准确率接近90%。2、行人跟踪及其运动状态估计。建立颜色分布模型,将颜色分布转化为粒子滤波,与基于边缘的运动图像特征相结合,利用巴氏距离更新粒子滤波计算的先验概率,达到跟踪行人的效果且跟踪效果良好;基于常加速CA模型,建... 

【文章来源】：西安理工大学陕西省

【文章页数】：83 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究进展
        1.2.1 行人及头部方向检测
        1.2.2 行人跟踪
        1.2.3 行人过街意图预测
    1.3 研究内容与框架
        1.3.1 研究内容
        1.3.2 论文框架
2 行人及其头部方向检测
    2.1 引言
    2.2 深度学习
    2.3 卷积神经网络及其结构和功能
        2.3.1 卷积
        2.3.2 池化
        2.3.3 稀疏连接
        2.3.4 权值共享
    2.4 基于深度学习的行人及头部方向检测
        2.4.1 Fast-Rcnn
        2.4.2 Faster-Rcnn
        2.4.3 数据集和实验准备
        2.4.4 模型的训练
    2.5 实验结果分析
    2.6 本章小结
3 行人跟踪及运动状态估计
    3.1 引言
    3.2 粒子滤波
        3.2.1 蒙特卡洛采样
        3.2.2 重要性采样
        3.2.3 序贯重要性采样
        3.2.4 重采样
        3.2.5 粒子滤波的算法流程
    3.3 基于颜色的粒子滤波行人跟踪
        3.3.1 颜色分布模型
        3.3.2 基于颜色的粒子滤波
        3.3.3 目标模型更新
        3.3.4 粒子滤波初始化
    3.4 行人的运动状态估计
        3.4.1 运动模型的表示及选择
        3.4.2 基于车载相机的前方行人运动状态模型
        3.4.3 行人状态估计的状态模型和量测模型
    3.5 实验与分析
        3.5.1 基于颜色的粒子滤波行人跟踪实验分析
        3.5.2 行人运动状态估计
    3.6 本章小结
4 基于贝叶斯网络的行人过街意图预测
    4.1 引言
    4.2 贝叶斯网络
        4.2.1 贝叶斯网络基础
        4.2.2 贝叶斯网络的介绍
        4.2.3 贝叶斯网络的搭建
        4.2.4 贝叶斯网络的分类
    4.3 贝叶斯网络结构学习算法
        4.3.1 基于评分搜索方法
        4.3.2 基于贝叶斯统计的评分函数
        4.3.3 搜索策略
    4.4 贝叶斯网络参数学习算法
        4.4.1 最大似然估计
        4.4.2 贝叶斯估计
    4.5 贝叶斯网络推理算法
        4.5.1 联合树推理算法
        4.5.2 变分推理算法
    4.6 基于贝叶斯网络的行人过街意图预测模型建立
        4.6.1 参数确定
        4.6.2 贝叶斯网络的结构学习
        4.6.3 节点变量先验概率的确定
        4.6.4 贝叶斯网络的参数学习
    4.7 行人过街预测的贝叶斯网络推理
    4.8 本章小结
5 单目测距验证实验
    5.1 引言
    5.2 特征提取
    5.3 测距验证方案
    5.4 实验结果分析
    5.5 本章小结
6 总结与展望
    6.1 全文总结
    6.2 展望
致谢
参考文献


【参考文献】：
期刊论文
[1]多尺度卷积神经网络的头部姿态估计[J]. 梁令羽,张天天,何为.  激光与光电子学进展. 2019(13)
[2]基于深度卷积网络与尺度不变特征变换的行人跟踪框架[J]. 陈凯,宋晓,刘敬.  中国科学:信息科学. 2018(07)
[3]一种基于多层RBM网络和SVM的行人检测方法研究[J]. 王银,王立德,邱霁,申萍,杜欣.  铁道学报. 2018(03)
[4]基于优化核函数支持向量机在行人检测中的应用[J]. 杨萌,张葆,宋玉龙.  激光与光电子学进展. 2018(04)
[5]改进的卷积神经网络在行人检测中的应用[J]. 谢林江,季桂树,彭清,罗恩韬.  计算机科学与探索. 2018(05)
[6]基于YOLO网络的行人检测方法[J]. 高宗,李少波,陈济楠,李政杰.  计算机工程. 2018(05)
[7]基于加速区域卷积神经网络的夜间行人检测研究[J]. 叶国林,孙韶媛,高凯珺,赵海涛.  激光与光电子学进展. 2017(08)
[8]中国制造2025与工业4.0对比解析及中国汽车产业应对策略[J]. 赵福全,刘宗巍,史天泽.  科技进步与对策. 2017(14)
[9]一种联合文本和图像信息的行人检测方法[J]. 周炫余,刘娟,卢笑,邵鹏,罗飞.  电子学报. 2017(01)
[10]基于联合多特征直方图的Mean Shift行人跟踪方法研究[J]. 王爱丽,董宝田,孙远运,武威.  铁道学报. 2016(12)

博士论文
[1]智能车辆自主导航中避障路径规划与跟踪控制研究[D]. 汪明磊.合肥工业大学 2013
[2]贝叶斯网络结构学习与推理研究[D]. 朱明敏.西安电子科技大学 2013

硕士论文
[1]卷积神经网络研究及其在基音检测中的应用[D]. 黄志强.内蒙古大学 2015
[2]基于视频的行人检测与跟踪技术研究[D]. 向应.西南交通大学 2014



本文编号：3152527