道路交通控制中當(dāng)遇到交通堵塞、事故或信號(hào)燈故障時(shí)需要交警通過(guò)手勢(shì)指揮交通,因此機(jī)動(dòng)車無(wú)人駕駛需要能夠快速準(zhǔn)確地識(shí)別交警指揮手勢(shì)。深度學(xué)習(xí)可以通過(guò)樣本學(xué)習(xí)對(duì)輸入的高維信息有效地提取共性特征以實(shí)現(xiàn)分類,其應(yīng)用使基于視頻的交警指揮手勢(shì)識(shí)別性能大大提高。但深度學(xué)習(xí)需要大樣本數(shù)據(jù),訓(xùn)練過(guò)程長(zhǎng),現(xiàn)有方法的識(shí)別速度和精度還不能滿足無(wú)人駕駛的實(shí)時(shí)性和可靠性要求。由先驗(yàn)知識(shí)人工提取的明顯特征仍然有利用價(jià)值,如與人體姿勢(shì)密切相關(guān)的骨架特征、反映運(yùn)動(dòng)的視頻光流特征等。本文研究了將有價(jià)值的人工特征與深度學(xué)習(xí)相結(jié)合,用于交警指揮手勢(shì)的自動(dòng)識(shí)別,并改進(jìn)深度網(wǎng)絡(luò)結(jié)構(gòu)和算法,有效提高了訓(xùn)練速度、識(shí)別速度和識(shí)別精度。本文的具體研究?jī)?nèi)容包括:(1)復(fù)雜環(huán)境中的交警檢測(cè)以及人工指揮交通情形的判斷。針對(duì)傳統(tǒng)方法人工提取特征需要技巧和經(jīng)驗(yàn)、識(shí)別穩(wěn)定性差的問(wèn)題,本文采用基于SSD的交警檢測(cè)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(shí)際現(xiàn)場(chǎng)采集的樣本數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn),檢測(cè)結(jié)果未出現(xiàn)漏檢的情況,每幀的平均檢測(cè)時(shí)間為0.0196s,通過(guò)數(shù)據(jù)增強(qiáng)技術(shù)可準(zhǔn)確定位交警,是后續(xù)交警指揮手勢(shì)視頻分段和識(shí)別的前提。(2)交警指揮交通手勢(shì)視頻分段。在交警指揮手勢(shì)視頻數(shù)據(jù)中,往往包含多個(gè)連續(xù)指揮手勢(shì)動(dòng)作,需要將其分段為單個(gè)手勢(shì)動(dòng)作視頻,以便進(jìn)一步識(shí)別為何種手勢(shì)。本文研究提出一種基于人體高寬比和運(yùn)動(dòng)變化率的交警指揮手勢(shì)連續(xù)動(dòng)作視頻快速分段,該方法能快速判斷出交警指揮手勢(shì)的起始幀與終止幀。(3)結(jié)合人工特征和深度學(xué)習(xí)的交警指揮視頻的分類識(shí)別方法研究,具體是結(jié)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(luò)進(jìn)行交警指揮手勢(shì)識(shí)別。由于淺層的3DCNN已不能很好的表征交警指揮手勢(shì),本文采用了基于C3D和ConvLSTM的深度學(xué)習(xí)算法,以此實(shí)現(xiàn)結(jié)合人工特征和深度學(xué)習(xí)的三通道交警指揮手勢(shì)識(shí)別,該方法的優(yōu)點(diǎn)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(yùn)動(dòng)信息的特點(diǎn),而對(duì)于差異性的問(wèn)題則通過(guò)深度網(wǎng)絡(luò)結(jié)構(gòu)和深度學(xué)習(xí)來(lái)解決,最終準(zhǔn)確識(shí)別交警指揮手勢(shì)。最后,通過(guò)仿真實(shí)驗(yàn)表明,本方法能有效提高交警指揮手勢(shì)的識(shí)別精度,在采集的8種交警指揮手勢(shì)數(shù)據(jù)集上平均識(shí)別率可達(dá)97.87%,下一步隨著訓(xùn)練樣本數(shù)量的增加,系統(tǒng)性能會(huì)有進(jìn)一步提高。本方法可推廣應(yīng)用于有明顯人工特征、輸入信號(hào)維數(shù)高的應(yīng)用場(chǎng)合。
【學(xué)位單位】：五邑大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)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(diǎn)：首先輪廓的縱橫比不同體型的影響，其次在拍攝的過(guò)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(diǎn)：首先輪廓的縱橫比不同體型的影響，其次在拍攝的過(guò)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(hào)高寬比曲線
【參考文獻(xiàn)】

相關(guān)期刊論文 前5條

1 欒勝利;;基于改進(jìn)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(yīng)運(yùn)動(dòng)目標(biāo)檢測(cè)方法[J];計(jì)算機(jī)應(yīng)用研究;2011年04期

3 齊美彬;楊愛麗;蔣建國(guó);李莉;;一種基于改進(jìn)碼本的車輛檢測(cè)與跟蹤方法[J];中國(guó)圖象圖形學(xué)報(bào);2011年03期

4 楊會(huì)鋒;曹潔;帥立國(guó);;基于改進(jìn)K-均值聚類算法的背景建模方法[J];電子測(cè)量與儀器學(xué)報(bào);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(yùn)動(dòng)目標(biāo)檢測(cè)算法[J];微計(jì)算機(jī)信息;2009年12期

相關(guān)碩士學(xué)位論文 前5條

1 劉妍;基于視頻的多目標(biāo)運(yùn)動(dòng)人體行為識(shí)別[D];東華大學(xué);2017年

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

3 梁志剛;基于關(guān)鍵幀的核密度估計(jì)運(yùn)動(dòng)目標(biāo)檢測(cè)[D];哈爾濱工程大學(xué);2013年

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

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

本文編號(hào)：2856680