發(fā)布時間：2020-11-03 16:44

　　 隨著科技與生產(chǎn)力的進步,無人駕駛汽車已經(jīng)變得不再陌生,但是想要走進人們的生活中還需要更加完善的技術(shù)支持。行人檢測一直是無人駕駛的重點部分,如何有效的躲避行人是目前研究人員最希望解決的問題。在行人檢測中行人姿態(tài)的變化、行人著裝的不同、復雜的背景畫面、變化的光照條件以及檢測的實時性都是目前的難點問題。本文的研究目的就是針對以上的難點提出一套面向無人駕駛汽車的行人檢測算法系統(tǒng)。首先,針對原有的HOG提取方法無法解決相鄰區(qū)域的混疊效應(yīng)問題,提出插值的方法,將三線插值應(yīng)用到累積直方圖修正這一環(huán)節(jié),減少了算法計算時間,提高了特征提取的實時性。對比三種不同情況下的支持向量機,利用SVM的訓練方法找出最優(yōu)的支持向量機,并提出一種生成強分類器的方法。其次,行人數(shù)據(jù)庫是行人檢測的樣本基礎(chǔ),分別利用MIT和INRIA兩種數(shù)據(jù)庫制作本次試驗的樣本數(shù)據(jù)庫。利用LIBSVM軟件包進行分類器的實驗,在實驗過程中首先通過對比試驗找到最合適的核函數(shù),利用此核函數(shù)分別對兩種樣本進行試驗,尋找到最優(yōu)INRIA樣本。最后提出了一種通過ROC曲線評估支持向量機性能的方法。然后,基于主成分分析原理,提出一種將PCA與HOG特征相結(jié)合的快速特征提取方法。根據(jù)這一方法進行實驗,通過實驗尋找到PCA降維的最優(yōu)主成分參數(shù)p值,并利用最優(yōu)p值進行HOG特征與HOG-PCA特征行人檢測時間和識別率的對比實驗,從而驗證這一方法的可行性與快速性。最后,引入LBP特征,提出一種HOG特征和LBP特征多級聯(lián)合的方法并在二級聯(lián)合的步驟中加入計算識別框占圖比,從而進一步篩選出包含了本次實驗的行人目標。然后設(shè)計無人駕駛汽車的感知系統(tǒng),針對無人駕駛汽車視覺系統(tǒng)搭建實驗的硬件平臺,編寫驅(qū)動檢測試驗的軟件界面,并利用這一平臺進行行人圖像采集和對比實驗,驗證這一系統(tǒng)對無人駕駛感知系統(tǒng)行人檢測環(huán)節(jié)的適用性。
【學位單位】：燕山大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：TP391.41;U463.6
【部分圖文】：

式中 J ( x, y )為輸出圖像， I ( x , y )為輸入圖像，gamma取值任意，下面通過對比實驗選取合適gamma數(shù)值，在樣本數(shù)據(jù)庫中選擇一些具有代表性的圖片，分別對它們進行不同取值時的歸一化處理。處理后的效果圖和直方圖如圖2-2和圖2-3所示。圖2-2不同gamma值處理后的效果圖2-3不同gamma值下的直方圖通過對上面的處理數(shù)據(jù)分析，對gamma各種取值對比。gamma<1時，灰度值屬于高灰度值，這時的圖像動態(tài)范圍和對比度比較小，圖像就會變得比較亮；gamma>1，灰度值屬于低灰度值，這時的動態(tài)范圍和對比度同樣比較小，但是這時的圖像變得比較暗。通過對gamma分別取0.5、0.75、1、1.5、2進行測試發(fā)現(xiàn)當選取的gamma值為0.75的時候行人特征最明顯，也最利于提取，因此本次實驗最終選擇0.75作為gamma的值。(2) 計算圖像每個像素的梯度進行了歸一化以后，計算圖像的每個像素點的橫縱坐標的梯度，并得到每一像素點的梯度幅值大小和方向。在求梯度時用到了求導

式中 J ( x, y )為輸出圖像， I ( x , y )為輸入圖像，gamma取值任意，下面通過對比實驗選取合適gamma數(shù)值，在樣本數(shù)據(jù)庫中選擇一些具有代表性的圖片，分別對它們進行不同取值時的歸一化處理。處理后的效果圖和直方圖如圖2-2和圖2-3所示。圖2-2不同gamma值處理后的效果圖2-3不同gamma值下的直方圖通過對上面的處理數(shù)據(jù)分析，對gamma各種取值對比。gamma<1時，灰度值屬于高灰度值，這時的圖像動態(tài)范圍和對比度比較小，圖像就會變得比較亮；gamma>1，灰度值屬于低灰度值，這時的動態(tài)范圍和對比度同樣比較小，但是這時的圖像變得比較暗。通過對gamma分別取0.5、0.75、1、1.5、2進行測試發(fā)現(xiàn)當選取的gamma值為0.75的時候行人特征最明顯，也最利于提取，因此本次實驗最終選擇0.75作為gamma的值。(2) 計算圖像每個像素的梯度進行了歸一化以后，計算圖像的每個像素點的橫縱坐標的梯度，并得到每一像素點的梯度幅值大小和方向。在求梯度時用到了求導

方圖來統(tǒng)計并儲存這些細胞單元的像素點梯度信息。在分類時將梯度方向限制在180°以內(nèi)，即將細胞單元的梯度方向分成上下對稱的兩面，這樣統(tǒng)計一面的方向即可。然后將兩面的180°分別劃分成9個角度范圍。如圖2-6所示：圖2-6梯度方向劃分統(tǒng)計的具體過程，需要利用到每個像素點的大小和方向，方向代表就是bin的位置，大小代表的bin的取值。例如某一像素點的梯度方向位于20°-40°或者200°-220°，梯度的幅值大小為2，這樣統(tǒng)計直方圖的第2個bin的數(shù)值就相應(yīng)的加2。這樣將一個細胞單元的8×8個像素點的梯度大小和方向都分別通過加權(quán)值投影的方式放到這一含有9個bin的直方圖中，就得到了這個細胞單元的9維特征向量。上面過程用到了加權(quán)投票的方法，這一方法簡單說就是在對數(shù)據(jù)統(tǒng)計時進行投票，而投票不是簡單的加一方式投票，而是對每一票賦予了權(quán)值。而在這里權(quán)值的大小就是這一像素點的幅值。也有的研究嘗試使用幅值的其他參數(shù)來表示權(quán)值
【相似文獻】

相關(guān)期刊論文 前10條

1 李文博;;無人駕駛汽車的刑法規(guī)制探究[J];法制與經(jīng)濟;2019年03期

2 呂之品;;GPS導航,懸了![J];初中生世界;2019年13期

3 葉明;張潔;;無人駕駛汽車交通事故損害賠償責任主體認定的挑戰(zhàn)及對策[J];電子政務(wù);2019年01期

4 鐘菁;;無人駕駛汽車應(yīng)用的刑事風險分析[J];長春師范大學學報;2019年01期

5 李持生;;無人駕駛汽車發(fā)展面臨的挑戰(zhàn)與建議淺談[J];山東工業(yè)技術(shù);2019年04期

6 蘇昶瑋;;探究無人駕駛汽車的發(fā)展趨勢[J];通訊世界;2019年02期

7 楊雨淋;;我國無人駕駛汽車在道路交通事故中的侵權(quán)責任研究[J];理論觀察;2018年12期

8 吳英霞;;無人駕駛汽車規(guī)范發(fā)展法律路徑研究[J];科技管理研究;2019年02期

9 田喜清;韓偉;;無人駕駛汽車及其法律規(guī)制[J];長安大學學報(社會科學版);2019年01期

10 梁家泰;;汽車無人駕駛的關(guān)鍵技術(shù)及發(fā)展研究[J];信息通信;2019年02期

相關(guān)博士學位論文 前4條

1 唐國明;無人駕駛汽車半物理仿真系統(tǒng)的設(shè)計[D];中國科學技術(shù)大學;2012年

2 武歷穎;無人駕駛汽車環(huán)境信息提取及運動決策方法研究[D];長安大學;2016年

3 黃如林;無人駕駛汽車動態(tài)障礙物避撞關(guān)鍵技術(shù)研究[D];中國科學技術(shù)大學;2017年

4 劉健;基于三維激光雷達的無人駕駛車輛環(huán)境建模關(guān)鍵技術(shù)研究[D];中國科學技術(shù)大學;2016年

相關(guān)碩士學位論文 前10條

1 李曉凡;全自動無人駕駛汽車人機界面概念設(shè)計[D];東南大學;2018年

2 邢一偉;面向無人駕駛汽車視覺系統(tǒng)的行人檢測算法研究[D];燕山大學;2018年

3 汪明明;基于稠密網(wǎng)絡(luò)的無人駕駛汽車交通標志牌識別技術(shù)研究[D];重慶交通大學;2018年

4 趙澤壹;無人駕駛汽車視覺里程計算法研究[D];陜西師范大學;2018年

5 李文越;無人駕駛汽車自動尋路與動態(tài)避障研究[D];長安大學;2018年

6 吳學易;基于激光里程計的無人駕駛汽車位姿估計研究[D];長安大學;2018年

7 王文宇;基于激光雷達的無人駕駛汽車自主尋跡研究[D];長安大學;2018年

8 周旺;高精度地圖的構(gòu)建及在定位和標注中的應(yīng)用研究[D];國防科學技術(shù)大學;2016年

9 梁慶;無人駕駛汽車交通事故責任主體研究[D];海南大學;2017年

10 王士忠;參數(shù)化時空規(guī)范語言的語義模型及其應(yīng)用[D];華東師范大學;2018年

本文編號：2868830