道路交通控制中當遇到交通堵塞、事故或信號燈故障時需要交警通過手勢指揮交通,因此機動車無人駕駛需要能夠快速準確地識別交警指揮手勢。深度學習可以通過樣本學習對輸入的高維信息有效地提取共性特征以實現(xiàn)分類,其應用使基于視頻的交警指揮手勢識別性能大大提高。但深度學習需要大樣本數(shù)據(jù),訓練過程長,現(xiàn)有方法的識別速度和精度還不能滿足無人駕駛的實時性和可靠性要求。由先驗知識人工提取的明顯特征仍然有利用價值,如與人體姿勢密切相關的骨架特征、反映運動的視頻光流特征等。本文研究了將有價值的人工特征與深度學習相結合,用于交警指揮手勢的自動識別,并改進深度網(wǎng)絡結構和算法,有效提高了訓練速度、識別速度和識別精度。本文的具體研究內容包括:(1)復雜環(huán)境中的交警檢測以及人工指揮交通情形的判斷。針對傳統(tǒng)方法人工提取特征需要技巧和經(jīng)驗、識別穩(wěn)定性差的問題,本文采用基于SSD的交警檢測方法和基于平均背景建模及人體高寬比的交通指揮情形判斷方法,在采集的部分模擬樣本和實際現(xiàn)場采集的樣本數(shù)據(jù)集上進行了實驗,檢測結果未出現(xiàn)漏檢的情況,每幀的平均檢測時間為0.0196s,通過數(shù)據(jù)增強技術可準確定位交警,是后續(xù)交警指揮手勢視頻分段和識別的前提。(2)交警指揮交通手勢視頻分段。在交警指揮手勢視頻數(shù)據(jù)中,往往包含多個連續(xù)指揮手勢動作,需要將其分段為單個手勢動作視頻,以便進一步識別為何種手勢。本文研究提出一種基于人體高寬比和運動變化率的交警指揮手勢連續(xù)動作視頻快速分段,該方法能快速判斷出交警指揮手勢的起始幀與終止幀。(3)結合人工特征和深度學習的交警指揮視頻的分類識別方法研究,具體是結合由視頻提取的骨架、光流信息和視頻直接輸入深度網(wǎng)絡進行交警指揮手勢識別。由于淺層的3DCNN已不能很好的表征交警指揮手勢,本文采用了基于C3D和ConvLSTM的深度學習算法,以此實現(xiàn)結合人工特征和深度學習的三通道交警指揮手勢識別,該方法的優(yōu)點在于利用了骨架數(shù)據(jù)可有效避免背景等干擾、光流可捕捉運動信息的特點,而對于差異性的問題則通過深度網(wǎng)絡結構和深度學習來解決,最終準確識別交警指揮手勢。最后,通過仿真實驗表明,本方法能有效提高交警指揮手勢的識別精度,在采集的8種交警指揮手勢數(shù)據(jù)集上平均識別率可達97.87%,下一步隨著訓練樣本數(shù)量的增加,系統(tǒng)性能會有進一步提高。本方法可推廣應用于有明顯人工特征、輸入信號維數(shù)高的應用場合。
【學位單位】：五邑大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：TP391.41;U495
【部分圖文】：

圖 2-11 人體高寬數(shù)值示意圖 圖 2-12 獲得人體高寬示意圖本文提取的人體輪廓的縱橫比信息，具有如下優(yōu)點：首先輪廓的縱橫比不同體型的影響，其次在拍攝的過程中不容易受噪聲的影響。如圖 2-11 是已取分明的人體區(qū)域輪廓高寬數(shù)值示意圖，圖 2-12 是獲得的人體高寬示意圖

圖 2-11 人體高寬數(shù)值示意圖 圖 2-12 獲得人體高寬示意圖本文提取的人體輪廓的縱橫比信息，具有如下優(yōu)點：首先輪廓的縱橫比不同體型的影響，其次在拍攝的過程中不容易受噪聲的影響。如圖 2-11 是已取分明的人體區(qū)域輪廓高寬數(shù)值示意圖，圖 2-12 是獲得的人體高寬示意圖

直行信號高寬比曲線
【參考文獻】

相關期刊論文 前5條

1 欒勝利;;基于改進的混合高斯模型的背景建模方法[J];指揮控制與仿真;2014年01期

2 薛麗霞;羅艷麗;王佐成;;基于幀間差分的自適應運動目標檢測方法[J];計算機應用研究;2011年04期

3 齊美彬;楊愛麗;蔣建國;李莉;;一種基于改進碼本的車輛檢測與跟蹤方法[J];中國圖象圖形學報;2011年03期

4 楊會鋒;曹潔;帥立國;;基于改進K-均值聚類算法的背景建模方法[J];電子測量與儀器學報;2010年12期

5 莫林;廖鵬;劉勛;;一種基于背景減除與三幀差分的運動目標檢測算法[J];微計算機信息;2009年12期

相關碩士學位論文 前5條

1 劉妍;基于視頻的多目標運動人體行為識別[D];東華大學;2017年

2 何利平;基于混合高斯模型的智能視頻多目標檢測算法研究[D];廣西師范大學;2014年

3 梁志剛;基于關鍵幀的核密度估計運動目標檢測[D];哈爾濱工程大學;2013年

4 張琳;非參數(shù)化背景建模方法研究[D];中國石油大學;2011年

5 李文杰;基于骨架化和模板匹配的交通指揮手勢識別[D];浙江工業(yè)大學;2011年

本文編號：2856680