隨著科技與生產(chǎn)力的進(jìn)步,無(wú)人駕駛汽車已經(jīng)變得不再陌生,但是想要走進(jìn)人們的生活中還需要更加完善的技術(shù)支持。行人檢測(cè)一直是無(wú)人駕駛的重點(diǎn)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(wèn)題。在行人檢測(cè)中行人姿態(tài)的變化、行人著裝的不同、復(fù)雜的背景畫面、變化的光照條件以及檢測(cè)的實(shí)時(shí)性都是目前的難點(diǎn)問(wèn)題。本文的研究目的就是針對(duì)以上的難點(diǎn)提出一套面向無(wú)人駕駛汽車的行人檢測(cè)算法系統(tǒng)。首先,針對(duì)原有的HOG提取方法無(wú)法解決相鄰區(qū)域的混疊效應(yīng)問(wèn)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(jì)算時(shí)間,提高了特征提取的實(shí)時(shí)性。對(duì)比三種不同情況下的支持向量機(jī),利用SVM的訓(xùn)練方法找出最優(yōu)的支持向量機(jī),并提出一種生成強(qiáng)分類器的方法。其次,行人數(shù)據(jù)庫(kù)是行人檢測(cè)的樣本基礎(chǔ),分別利用MIT和INRIA兩種數(shù)據(jù)庫(kù)制作本次試驗(yàn)的樣本數(shù)據(jù)庫(kù)。利用LIBSVM軟件包進(jìn)行分類器的實(shí)驗(yàn),在實(shí)驗(yàn)過(guò)程中首先通過(guò)對(duì)比試驗(yàn)找到最合適的核函數(shù),利用此核函數(shù)分別對(duì)兩種樣本進(jìn)行試驗(yàn),尋找到最優(yōu)INRIA樣本。最后提出了一種通過(guò)ROC曲線評(píng)估支持向量機(jī)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(jìn)行實(shí)驗(yàn),通過(guò)實(shí)驗(yàn)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(jìn)行HOG特征與HOG-PCA特征行人檢測(cè)時(shí)間和識(shí)別率的對(duì)比實(shí)驗(yàn),從而驗(yàn)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(jí)聯(lián)合的方法并在二級(jí)聯(lián)合的步驟中加入計(jì)算識(shí)別框占圖比,從而進(jìn)一步篩選出包含了本次實(shí)驗(yàn)的行人目標(biāo)。然后設(shè)計(jì)無(wú)人駕駛汽車的感知系統(tǒng),針對(duì)無(wú)人駕駛汽車視覺(jué)系統(tǒng)搭建實(shí)驗(yàn)的硬件平臺(tái),編寫驅(qū)動(dòng)檢測(cè)試驗(yàn)的軟件界面,并利用這一平臺(tái)進(jìn)行行人圖像采集和對(duì)比實(shí)驗(yàn),驗(yàn)證這一系統(tǒng)對(duì)無(wú)人駕駛感知系統(tǒng)行人檢測(cè)環(huán)節(jié)的適用性。
【學(xué)位單位】：燕山大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)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(guò)對(duì)比實(shí)驗(yàn)選取合適gamma數(shù)值，在樣本數(shù)據(jù)庫(kù)中選擇一些具有代表性的圖片，分別對(duì)它們進(jìn)行不同取值時(shí)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(guò)對(duì)上面的處理數(shù)據(jù)分析，對(duì)gamma各種取值對(duì)比。gamma<1時(shí)，灰度值屬于高灰度值，這時(shí)的圖像動(dòng)態(tài)范圍和對(duì)比度比較小，圖像就會(huì)變得比較亮；gamma>1，灰度值屬于低灰度值，這時(shí)的動(dòng)態(tài)范圍和對(duì)比度同樣比較小，但是這時(shí)的圖像變得比較暗。通過(guò)對(duì)gamma分別取0.5、0.75、1、1.5、2進(jìn)行測(cè)試發(fā)現(xiàn)當(dāng)選取的gamma值為0.75的時(shí)候行人特征最明顯，也最利于提取，因此本次實(shí)驗(yàn)最終選擇0.75作為gamma的值。(2) 計(jì)算圖像每個(gè)像素的梯度進(jìn)行了歸一化以后，計(jì)算圖像的每個(gè)像素點(diǎn)的橫縱坐標(biāo)的梯度，并得到每一像素點(diǎn)的梯度幅值大小和方向。在求梯度時(shí)用到了求導(dǎo)

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(guò)對(duì)比實(shí)驗(yàn)選取合適gamma數(shù)值，在樣本數(shù)據(jù)庫(kù)中選擇一些具有代表性的圖片，分別對(duì)它們進(jìn)行不同取值時(shí)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(guò)對(duì)上面的處理數(shù)據(jù)分析，對(duì)gamma各種取值對(duì)比。gamma<1時(shí)，灰度值屬于高灰度值，這時(shí)的圖像動(dòng)態(tài)范圍和對(duì)比度比較小，圖像就會(huì)變得比較亮；gamma>1，灰度值屬于低灰度值，這時(shí)的動(dòng)態(tài)范圍和對(duì)比度同樣比較小，但是這時(shí)的圖像變得比較暗。通過(guò)對(duì)gamma分別取0.5、0.75、1、1.5、2進(jìn)行測(cè)試發(fā)現(xiàn)當(dāng)選取的gamma值為0.75的時(shí)候行人特征最明顯，也最利于提取，因此本次實(shí)驗(yàn)最終選擇0.75作為gamma的值。(2) 計(jì)算圖像每個(gè)像素的梯度進(jìn)行了歸一化以后，計(jì)算圖像的每個(gè)像素點(diǎn)的橫縱坐標(biāo)的梯度，并得到每一像素點(diǎn)的梯度幅值大小和方向。在求梯度時(shí)用到了求導(dǎo)

方圖來(lái)統(tǒng)計(jì)并儲(chǔ)存這些細(xì)胞單元的像素點(diǎn)梯度信息。在分類時(shí)將梯度方向限制在180°以內(nèi)，即將細(xì)胞單元的梯度方向分成上下對(duì)稱的兩面，這樣統(tǒng)計(jì)一面的方向即可。然后將兩面的180°分別劃分成9個(gè)角度范圍。如圖2-6所示：圖2-6梯度方向劃分統(tǒng)計(jì)的具體過(guò)程，需要利用到每個(gè)像素點(diǎn)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(diǎn)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(jì)直方圖的第2個(gè)bin的數(shù)值就相應(yīng)的加2。這樣將一個(gè)細(xì)胞單元的8×8個(gè)像素點(diǎn)的梯度大小和方向都分別通過(guò)加權(quán)值投影的方式放到這一含有9個(gè)bin的直方圖中，就得到了這個(gè)細(xì)胞單元的9維特征向量。上面過(guò)程用到了加權(quán)投票的方法，這一方法簡(jiǎn)單說(shuō)就是在對(duì)數(shù)據(jù)統(tǒng)計(jì)時(shí)進(jìn)行投票，而投票不是簡(jiǎn)單的加一方式投票，而是對(duì)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(diǎn)的幅值。也有的研究嘗試使用幅值的其他參數(shù)來(lái)表示權(quán)值
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

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

2 呂之品;;GPS導(dǎo)航,懸了![J];初中生世界;2019年13期

3 葉明;張潔;;無(wú)人駕駛汽車交通事故損害賠償責(zé)任主體認(rèn)定的挑戰(zhàn)及對(duì)策[J];電子政務(wù);2019年01期

4 鐘菁;;無(wú)人駕駛汽車應(yīng)用的刑事風(fēng)險(xiǎn)分析[J];長(zhǎng)春師范大學(xué)學(xué)報(bào);2019年01期

5 李持生;;無(wú)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(wú)人駕駛汽車的發(fā)展趨勢(shì)[J];通訊世界;2019年02期

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

8 吳英霞;;無(wú)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(wú)人駕駛汽車及其法律規(guī)制[J];長(zhǎng)安大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版);2019年01期

10 梁家泰;;汽車無(wú)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(xué)位論文 前4條

1 唐國(guó)明;無(wú)人駕駛汽車半物理仿真系統(tǒng)的設(shè)計(jì)[D];中國(guó)科學(xué)技術(shù)大學(xué);2012年

2 武歷穎;無(wú)人駕駛汽車環(huán)境信息提取及運(yùn)動(dòng)決策方法研究[D];長(zhǎng)安大學(xué);2016年

3 黃如林;無(wú)人駕駛汽車動(dòng)態(tài)障礙物避撞關(guān)鍵技術(shù)研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2017年

4 劉健;基于三維激光雷達(dá)的無(wú)人駕駛車輛環(huán)境建模關(guān)鍵技術(shù)研究[D];中國(guó)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 李曉凡;全自動(dòng)無(wú)人駕駛汽車人機(jī)界面概念設(shè)計(jì)[D];東南大學(xué);2018年

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

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

4 趙澤壹;無(wú)人駕駛汽車視覺(jué)里程計(jì)算法研究[D];陜西師范大學(xué);2018年

5 李文越;無(wú)人駕駛汽車自動(dòng)尋路與動(dòng)態(tài)避障研究[D];長(zhǎng)安大學(xué);2018年

6 吳學(xué)易;基于激光里程計(jì)的無(wú)人駕駛汽車位姿估計(jì)研究[D];長(zhǎng)安大學(xué);2018年

7 王文宇;基于激光雷達(dá)的無(wú)人駕駛汽車自主尋跡研究[D];長(zhǎng)安大學(xué);2018年

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

9 梁慶;無(wú)人駕駛汽車交通事故責(zé)任主體研究[D];海南大學(xué);2017年

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

本文編號(hào)：2868830