隨著城市化的迅速發(fā)展,越來越多的人使用汽車作為交通工具,人們的出行越來越方便,但是作為道路交通的弱勢群體,每年都有大量的行人和騎車人死于交通事故中,交通弱勢群體的安全受到很大的威脅。相對于行人檢測,人們對騎車人檢測的研究較少且檢測效果更差,為了降低交通事故的發(fā)生率,加強自動駕駛系統(tǒng)和輔助駕駛系統(tǒng)對騎車人的保護(hù)效果,本文研究了交通場景下的騎車人檢測方法,并對其中的部分檢測算法進(jìn)行改進(jìn),從而提高檢測效果。首先,本文對DPM算法進(jìn)行了研究,DPM算法提取改進(jìn)后的HOG特征,不僅降低了算法的復(fù)雜度,還能更好的描述目標(biāo)的梯度方向特征。DPM算法采用多個檢測模型組合的方式進(jìn)行目標(biāo)檢測,先使用根濾波器檢測出目標(biāo)的大體輪廓,再使用部件濾波器檢測關(guān)鍵部位,最后通過根濾波器和部件濾波器的綜合響應(yīng)計算最終的響應(yīng)值,從而根據(jù)響應(yīng)值判斷檢測區(qū)域是否含有目標(biāo)。DPM算法的檢測效果較好,但是檢測速度慢,無法用于實時檢測。其次,本文研究了基于深度學(xué)習(xí)的騎車人檢測算法,主要包括YOLOv3和SSD。YOLOv3結(jié)合了YOLOv2、殘差網(wǎng)絡(luò)和FPN網(wǎng)絡(luò)的優(yōu)點,使用Darknet-53提取目標(biāo)特征并在最后三個不同尺度的特征... 

【文章來源】：山東大學(xué)山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１－３騎車人檢測的難點示意圖??

?／＼?丨??１８０＊??圖２＿１梯度方向劃分示意圖??（６）計算圖像的ＨＯＧ特征，如圖２－２所示，先將圖像劃分為多個Ｃｅｌｌ，??如每個Ｃｅｌｌ是６?Ｘ?６像素，然后每２?Ｘ?２個Ｃｅｌｌ組成一個Ｂｌｏｃｋ。將Ｂｌｏｃｋ中的２??Ｘ２個Ｃｅｌｌ的所有特征串聯(lián)起來，構(gòu)成該Ｂｌｏｃｋ的特征，然后歸一化以消除光??照的影響。這樣每個Ｂｌｏｃｋ是一個８ｘ４＝３２維的向量。然后設(shè)置Ｂｌｏｃｋ移動的步??長，這里的步長可以小于Ｂｌｏｃｋ的邊長，即Ｂｌｏｃｋ可以重疊，在這個圖像中移??動Ｂｌｏｃｋ，得到多個Ｂｌｏｃｋ特征，將所有的Ｂｌｏｃｋ的特征向量串聯(lián)起來就是最終??的特征向量，即ＨＯＧ特征。??Ｃｅｌｌ?Ｂｌｏｃｋ?Ｉｍａｇｅ??＿??圖２－２?Ｂｌｏｃｋ和Ｃｅｌｌ的示意圖??２．２．２改進(jìn)后的ＨＯＧ特征提取流程??ＤＰＭ算法提取改進(jìn)后的ＨＯＧ特征，只保留原來ＨＯＧ特征中的Ｃｅｌｌ概念。??改進(jìn)后的ＨＯＧ特征提取如圖２－３所示：將一個８Ｘ８的Ｃｅｌｌ與其對角線臨域的??４個細(xì)胞單元進(jìn)行歸一化操作并以每２０°為一個維度方向

１８０＊??圖２＿１梯度方向劃分示意圖??（６）計算圖像的ＨＯＧ特征，如圖２－２所示，先將圖像劃分為多個Ｃｅｌｌ，??如每個Ｃｅｌｌ是６?Ｘ?６像素，然后每２?Ｘ?２個Ｃｅｌｌ組成一個Ｂｌｏｃｋ。將Ｂｌｏｃｋ中的２??Ｘ２個Ｃｅｌｌ的所有特征串聯(lián)起來，構(gòu)成該Ｂｌｏｃｋ的特征，然后歸一化以消除光??照的影響。這樣每個Ｂｌｏｃｋ是一個８ｘ４＝３２維的向量。然后設(shè)置Ｂｌｏｃｋ移動的步??長，這里的步長可以小于Ｂｌｏｃｋ的邊長，即Ｂｌｏｃｋ可以重疊，在這個圖像中移??動Ｂｌｏｃｋ，得到多個Ｂｌｏｃｋ特征，將所有的Ｂｌｏｃｋ的特征向量串聯(lián)起來就是最終??的特征向量，即ＨＯＧ特征。??Ｃｅｌｌ?Ｂｌｏｃｋ?Ｉｍａｇｅ??＿??圖２－２?Ｂｌｏｃｋ和Ｃｅｌｌ的示意圖??２．２．２改進(jìn)后的ＨＯＧ特征提取流程??ＤＰＭ算法提取改進(jìn)后的ＨＯＧ特征，只保留原來ＨＯＧ特征中的Ｃｅｌｌ概念。??改進(jìn)后的ＨＯＧ特征提取如圖２－３所示：將一個８Ｘ８的Ｃｅｌｌ與其對角線臨域的??４個細(xì)胞單元進(jìn)行歸一化操作并以每２０°為一個維度方向，可以得到無符號的??梯度方向９個以及有符號的梯度方向１８個

【參考文獻(xiàn)】：
期刊論文
[1]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 李彥冬,郝宗波,雷航.  計算機應(yīng)用. 2016(09)
[2]圖像理解中的卷積神經(jīng)網(wǎng)絡(luò)[J]. 常亮,鄧小明,周明全,武仲科,袁野,楊碩,王宏安.  自動化學(xué)報. 2016(09)
[3]基于HOG特征提取的騎車人檢測算法研究[J]. 李彤.  電子技術(shù)與軟件工程. 2015(08)
[4]一種改進(jìn)的二維最小交叉熵圖像分割方法[J]. 張新明,黨留群,鄭延斌,孫印杰,李雙.  光電工程. 2010(11)
[5]圖像分割的新理論和新方法[J]. 許新征,丁世飛,史忠植,賈偉寬.  電子學(xué)報. 2010(S1)
[6]圖像處理中GAMMA校正的研究和實現(xiàn)[J]. 彭國福,林正浩.  電子工程師. 2006(02)
[7]熵——度量隨機變量不確定性的一種尺度[J]. 張殿祜,方紹輝,丁瀟君.  系統(tǒng)工程與電子技術(shù). 1997(11)

碩士論文
[1]復(fù)雜場景下基于霍夫森林的多目標(biāo)跟蹤方法研究[D]. 梁付新.山東大學(xué) 2018



本文編號：2947412