【摘要】：隨著人工智能技術(shù)的不斷發(fā)展,無人駕駛汽車也迎來了全面發(fā)展的黃金期。無人駕駛最終要實現(xiàn)安全、高效、舒適、節(jié)能駕駛,安全駕駛最為重要,行人檢測則是最基本的安全技術(shù)保障。針對行人檢測中精度低、實時性較差以及跨攝像頭檢測不連續(xù)的問題,本文展開如下研究:首先,在單攝像頭中檢測行人目標(biāo)。分別研究R-CNN、Fast R-CNN以及Faster R-CNN三類基于候選區(qū)域的目標(biāo)檢測算法和YOLO、YOLOv2兩類基于全局回歸的目標(biāo)檢測算法,通過對比分析各類算法的精度和速度,優(yōu)選YOLOv2作為本文算法改進(jìn)對象�？紤]到不同目標(biāo)的面積和長寬比各不相同,本文以此為特征對標(biāo)定數(shù)據(jù)聚類,在預(yù)測過程中融入聚類所得先驗信息,建立了輸出偏移量到目標(biāo)尺度的函數(shù)映射關(guān)系,據(jù)此設(shè)計了聯(lián)合損失函數(shù),改進(jìn)YOLOv2算法在KITTI數(shù)據(jù)集上的檢測精度平均提高了7.1%。然后,針對檢測速度不足的問題,利用跟蹤算法輔助行人檢測。分析對比判別式跟蹤算法和產(chǎn)生式跟蹤算法,優(yōu)選了基于SiamFC網(wǎng)絡(luò)的判別式目標(biāo)跟蹤算法。研究了SiamFC網(wǎng)絡(luò)的基本結(jié)構(gòu),分析了輸入輸出特性,采用logistic損失函數(shù),并針對跟蹤任務(wù)多次相似度計算的特性,修正了損失函數(shù)。在OTB數(shù)據(jù)集上的測試結(jié)果表明,本文跟蹤算法成功率領(lǐng)先該數(shù)據(jù)集最好的Struck算法10%,跟蹤速度為86FPS,基本滿足了實時性要求。最后,在跨攝像頭中進(jìn)行行人身份重識別。研究了基于驗證模型和基于辨識模型的行人重識別算法,總結(jié)歸納了各自的優(yōu)缺點,提出了一種融合兩類模型的重識別算法。分析了常用分類網(wǎng)絡(luò)的優(yōu)劣,優(yōu)選了ResNet-50作為特征提取網(wǎng)絡(luò),并通過無參square層和卷積層搭建了相似性度量網(wǎng)絡(luò),考慮到網(wǎng)絡(luò)包括辨識和驗證兩部分,采用聯(lián)合訓(xùn)練策略進(jìn)行網(wǎng)絡(luò)fine-tuning。在Market1501數(shù)據(jù)集上的測試結(jié)果表明,本文算法將單攝像頭和多攝像頭mAP提升至62.30%和72.55%。本文提供了一套應(yīng)用于無人駕駛領(lǐng)域的行人檢測與重識別方案,并在對應(yīng)數(shù)據(jù)集上進(jìn)行了測試,實驗表明本文算法基本解決了精度低、實時性差以及跨攝像頭檢測不連續(xù)的問題,有利于行人檢測在無人駕駛中的成功應(yīng)用。
【學(xué)位授予單位】：武漢理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP391.41;TP183;U463.6
【圖文】：

的算法逐步在其對應(yīng)數(shù)據(jù)集的評估結(jié)果中占據(jù)主導(dǎo)地位對于解決可以簡化為輸入輸出映射問題有著得天獨厚的研究方向上主要以深度學(xué)習(xí)作為研究手段，從大數(shù)據(jù)訓(xùn)蹤與重識別算法框架的建立與部署。1.4 本文主要工作及組織結(jié)構(gòu)本文以無人駕駛中的行人檢測為研究背景，針對檢差以及跨攝像頭不連續(xù)的問題，提出一套基于深度學(xué)習(xí)攝像頭所捕獲的初始幀進(jìn)行行人目標(biāo)檢測，鑒于行人檢幀采用跟蹤算法捕獲行人目標(biāo)，一旦跟蹤失敗，則重新與人的相對運動，當(dāng)檢測目標(biāo)跨越攝像頭時，則進(jìn)行跨保證檢測、跟蹤的連續(xù)性。以兩個攝像頭為例，本文行流程如圖 1-1 所示。

圖 2-1 R-CNN 算法基本框架在特征提取部分，特征向量由分類網(wǎng)絡(luò)計算得到，R-CNN 采用 Hinton 在 ImageNet 數(shù)據(jù)集[44]上的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，其網(wǎng)絡(luò)權(quán)值參數(shù)通過代訓(xùn)練求解。若直接在 Pascal VOC 目標(biāo)檢測數(shù)據(jù)集上訓(xùn)練，由于該數(shù)據(jù)相對較少，則會導(dǎo)致網(wǎng)絡(luò)收斂速度較慢甚至難以收斂，而在大數(shù)據(jù)集上后再 fine-tuning 是解決該問題的有效措施。第一階段，在 ImageNet 大型分類數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練；第二階段，以的權(quán)值參數(shù)作為網(wǎng)絡(luò)初始值，重新在 Pascal VOC 檢測數(shù)據(jù)集訓(xùn)練，進(jìn)行優(yōu)。兩次訓(xùn)練在網(wǎng)絡(luò)結(jié)構(gòu)上有細(xì)微的改變，需要將最后一層神經(jīng)元個數(shù)由 換為 21，1001 對應(yīng) ImageNet 的 1000 類目標(biāo)和背景，21 則對應(yīng) Pascal 20 類目標(biāo)和背景。最終，截取神經(jīng)網(wǎng)絡(luò)前向傳播過程中的最后一個池化算結(jié)果，形成最終的特征向量，其維度為 4096。在目標(biāo)分類與定位部分，將 4096 維的特征向量送至 SVM 分類器并通回歸器進(jìn)行位置精修，最終得到分類標(biāo)簽與位置信息。由于 R-CNN 是深

圖 2-2 Fast R-CNN 算法基本框架區(qū)別于 R-CNN 提取特征之后用 SVM 實現(xiàn)目標(biāo)分類，F(xiàn)ast R-CNN 全連接層實現(xiàn)目標(biāo)分類，從圖 2-2 中可以看出經(jīng)過 ROI pooling 之兩組全連接層的輸入，分別進(jìn)行目標(biāo)分類與位置回歸。對應(yīng)地，函數(shù) L 也是由分類損失 Lcls與位置損失 Lloc兩部分構(gòu)成cls loc( , , , ) ( , ) [ 1] ( , )u uL p u t v = L p u + λu ≥ L t v，p 和 u 分別為預(yù)測標(biāo)簽和實際標(biāo)簽；tu和 v 分別為預(yù)測位置和實實際檢測目標(biāo) u≥1，此時[u≥1]的值為 1；對于背景 u=0，此時[u 0；λ 為平衡分類損失和位置損失量級的系數(shù)。這兩點改進(jìn)策略使得 Fast R-CNN 一步實現(xiàn)了特征提取、目標(biāo)分類規(guī)避了復(fù)雜的分步訓(xùn)練步驟，有效減少了離線訓(xùn)練時間，在線識地得到了提升。

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 趙廣立;李惠鈺;;無人駕駛技術(shù)的那些事兒[J];商業(yè)觀察;2019年Z1期

2 商車;;安凱無人駕駛客車首次駛?cè)肴毡綶J];商用汽車新聞;2019年Z4期

3 李忠東;;戴姆勒:穩(wěn)步推進(jìn)無人駕駛與共享出行[J];汽車與配件;2018年35期

4 ;韓國2019年關(guān)注無人駕駛技術(shù)[J];智能機(jī)器人;2019年01期

5 章江;;戴姆勒穩(wěn)步推進(jìn)無人駕駛與共享出行[J];輕型汽車技術(shù);2019年Z1期

6 楊忠陽;;“無人駕駛”汽車何時上路[J];智慧中國;2019年04期

7 卜慶濱;張戴暉;于家根;;我國無人駕駛船舶發(fā)展中的主要問題及對策[J];水運管理;2017年11期

8 班智飛;黃波;;無人駕駛:在騰飛的前夜[J];中關(guān)村;2018年01期

9 郭師緒;;政策護(hù)航“無人駕駛”高速前行[J];新產(chǎn)經(jīng);2018年01期

10 楊延超;;無人駕駛上路,法律的綠燈何時打開[J];公民與法(綜合版);2018年02期

相關(guān)會議論文 前10條

1 ;美國密歇根大學(xué)教授:無人駕駛還有很長的路 汽車產(chǎn)業(yè)要注意避免你追我趕的大躍進(jìn)心態(tài)[A];西南汽車信息（2018年第9期 總第390期）[C];2018年

2 倪俊;潘博;田漢青;殷興吉;閆建來;胡紀(jì)濱;;中國大學(xué)生無人駕駛方程式汽車大賽的舉辦與展望[A];2018中國汽車工程學(xué)會年會論文集[C];2018年

3 田漢青;倪俊;胡紀(jì)濱;李子睿;;大學(xué)生無人駕駛方程式賽車的自主駕駛系統(tǒng)設(shè)計[A];2018中國汽車工程學(xué)會年會論文集[C];2018年

4 徐云霄;韓月起;秦闖;李小川;張凱;賓洋;和林;;基于凸近似的避障原理及無人駕駛車輛路徑規(guī)劃模型預(yù)測算法[A];第36屆中國控制會議論文集（F）[C];2017年

5 韓健;;軌道交通智能化無人駕駛系統(tǒng)的構(gòu)建要點[A];《智慧城市與軌道交通2018》--第五屆全國智慧城市與軌道交通科技創(chuàng)新學(xué)術(shù)年會論文集[C];2018年

6 李振宇;;基于Boids群聚模型的無人駕駛機(jī)群[A];中國力學(xué)學(xué)會學(xué)術(shù)大會'2009論文摘要集[C];2009年

7 ;無駕駛室,無駕駛員!中國首列無人駕駛地鐵在香港開通[A];《今日軌道交通》搶鮮版2017年01月[C];2017年

8 王當(dāng)利;;無人駕駛船舶的發(fā)展途徑[A];中國航海學(xué)會內(nèi)河船舶駕駛專業(yè)委員會學(xué)術(shù)年會論文集[C];2004年

9 王智靈;黃俊杰;林玲龍;梁華為;;“智能先鋒”無人駕駛車輛環(huán)境感知技術(shù)研究[A];第18屆中國系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)年會論文集（18th CCSSTA 2017）[C];2017年

10 ;北京首條無人駕駛地鐵明年開通[A];今日軌道交通機(jī)構(gòu)版[C];2015年

相關(guān)重要報紙文章 前10條

1 本報記者 張宣;無人駕駛步入快車道[N];新華日報;2019年

2 中國青年報·中青在線記者 許亞杰;中智行能否顛覆出行產(chǎn)業(yè)游戲規(guī)則[N];中國青年報;2019年

3 記者 貢憲云 趙紅梅 見習(xí)記者 郝東偉;全程無人駕駛智能作業(yè)在趙縣首試成功[N];河北日報;2019年

4 張大川;從特斯拉看國內(nèi)無人駕駛技術(shù)的機(jī)會所在[N];中國工業(yè)報;2019年

5 記者 王琳琳;無人駕駛車輛何時“遍布街頭”[N];經(jīng)濟(jì)參考報;2019年

6 特派記者 嚴(yán)PrPr;無人駕駛也許就在眼前[N];深圳商報;2019年

7 記者 朱寧寧;擬對無人駕駛航空器監(jiān)管作出立法授權(quán)[N];法制日報;2018年

8 特派記者 袁斯茹;5G雖熱 產(chǎn)品不多[N];深圳商報;2019年

9 本報記者 高笑菡;山東首輛無人駕駛公交車首次公開路測[N];中國產(chǎn)經(jīng)新聞;2019年

10 湖北日報全媒記者 吳文娟;“無人駕駛”款款走來[N];湖北日報;2019年

相關(guān)博士學(xué)位論文 前10條

1 單云霄;城市無人駕駛規(guī)劃與控制系統(tǒng)的關(guān)鍵技術(shù)研究[D];武漢大學(xué);2018年

2 蔡惠民;深度學(xué)習(xí)算法在無人駕駛視覺中的應(yīng)用[D];西安電子科技大學(xué);2018年

3 孫揚;無人駕駛車輛智能水平的定量評價[D];北京理工大學(xué);2014年

4 耿新力;城區(qū)不確定環(huán)境下無人駕駛車輛行為決策方法研究[D];中國科學(xué)技術(shù)大學(xué);2017年

5 辛煜;無人駕駛車輛運動障礙物檢測、預(yù)測和避撞方法研究[D];中國科學(xué)技術(shù)大學(xué);2014年

6 趙盼;城市環(huán)境下無人駕駛車輛運動控制方法的研究[D];中國科學(xué)技術(shù)大學(xué);2012年

7 陳佳佳;城市環(huán)境下無人駕駛車輛決策系統(tǒng)研究[D];中國科學(xué)技術(shù)大學(xué);2014年

8 孟建軍;無人駕駛城軌車輛運動分析與控制策略研究[D];蘭州交通大學(xué);2014年

9 陳龍;城市環(huán)境下無人駕駛智能車感知系統(tǒng)若干關(guān)鍵技術(shù)研究[D];武漢大學(xué);2013年

10 杜明博;基于人類駕駛行為的無人駕駛車輛行為決策與運動規(guī)劃方法研究[D];中國科學(xué)技術(shù)大學(xué);2016年

相關(guān)碩士學(xué)位論文 前10條

1 孫明軍;無人駕駛中的行人檢測與重識別算法研究[D];武漢理工大學(xué);2018年

2 趙夏云;基于AFFPN模型的礦井機(jī)車無人駕駛系統(tǒng)的故障分析[D];合肥工業(yè)大學(xué);2018年

3 單靜波;基于無人駕駛天車的鋼卷庫自動調(diào)度系統(tǒng)設(shè)計與實現(xiàn)[D];華北理工大學(xué);2018年

4 都凱悅;無人駕駛車輛的路面信息感知技術(shù)研究[D];長春理工大學(xué);2018年

5 萬抗;《無人駕駛車運行所面臨的法律挑戰(zhàn)》英譯漢研究報告[D];南昌大學(xué);2018年

6 楊賀;無人駕駛車輛智能水平分析及評價[D];河北工程大學(xué);2018年

7 王昶人;面向無人駕駛車輛的多雷達(dá)檢測與跟蹤技術(shù)研究[D];北京工業(yè)大學(xué);2018年

8 吳俊塔;基于集成的多深度確定性策略梯度的無人駕駛策略研究[D];中國科學(xué)院大學(xué)(中國科學(xué)院深圳先進(jìn)技術(shù)研究院);2019年

9 郭九霄;基于GPS無人駕駛插秧機(jī)控制系統(tǒng)及路徑規(guī)劃研究[D];浙江理工大學(xué);2019年

10 陳銀銀;面向無人駕駛的增強(qiáng)學(xué)習(xí)算法研究[D];電子科技大學(xué);2018年

本文編號：2757092