【摘要】：隨著人工智能技術的不斷發(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。分別研究R-CNN、Fast R-CNN以及Faster R-CNN三類基于候選區(qū)域的目標檢測算法和YOLO、YOLOv2兩類基于全局回歸的目標檢測算法,通過對比分析各類算法的精度和速度,優(yōu)選YOLOv2作為本文算法改進對象�？紤]到不同目標的面積和長寬比各不相同,本文以此為特征對標定數(shù)據聚類,在預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尺度的函數(shù)映射關系,據此設計了聯(lián)合損失函數(shù),改進YOLOv2算法在KITTI數(shù)據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生式跟蹤算法,優(yōu)選了基于SiamFC網絡的判別式目標跟蹤算法。研究了SiamFC網絡的基本結構,分析了輸入輸出特性,采用logistic損失函數(shù),并針對跟蹤任務多次相似度計算的特性,修正了損失函數(shù)。在OTB數(shù)據集上的測試結果表明,本文跟蹤算法成功率領先該數(shù)據集最好的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。分析了常用分類網絡的優(yōu)劣,優(yōu)選了ResNet-50作為特征提取網絡,并通過無參square層和卷積層搭建了相似性度量網絡,考慮到網絡包括辨識和驗證兩部分,采用聯(lián)合訓練策略進行網絡fine-tuning。在Market1501數(shù)據集上的測試結果表明,本文算法將單攝像頭和多攝像頭mAP提升至62.30%和72.55%。本文提供了一套應用于無人駕駛領域的行人檢測與重識別方案,并在對應數(shù)據集上進行了測試,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用。
【學位授予單位】：武漢理工大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TP391.41;TP183;U463.6
【圖文】：

的算法逐步在其對應數(shù)據集的評估結果中占據主導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習作為研究手段，從大數(shù)據訓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構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習攝像頭所捕獲的初始幀進行行人目標檢測，鑒于行人檢幀采用跟蹤算法捕獲行人目標，一旦跟蹤失敗，則重新與人的相對運動，當檢測目標跨越攝像頭時，則進行跨保證檢測、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，特征向量由分類網絡計算得到，R-CNN 采用 Hinton 在 ImageNet 數(shù)據集[44]上的卷積神經網絡進行分類，其網絡權值參數(shù)通過代訓練求解。若直接在 Pascal VOC 目標檢測數(shù)據集上訓練，由于該數(shù)據相對較少，則會導致網絡收斂速度較慢甚至難以收斂，而在大數(shù)據集上后再 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)據集上進行預訓練；第二階段，以的權值參數(shù)作為網絡初始值，重新在 Pascal VOC 檢測數(shù)據集訓練，進行優(yōu)。兩次訓練在網絡結構上有細微的改變，需要將最后一層神經元個數(shù)由 換為 21，1001 對應 ImageNet 的 1000 類目標和背景，21 則對應 Pascal 20 類目標和背景。最終，截取神經網絡前向傳播過程中的最后一個池化算結果，形成最終的特征向量，其維度為 4096。在目標分類與定位部分，將 4096 維的特征向量送至 SVM 分類器并通回歸器進行位置精修，最終得到分類標簽與位置信息。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)目標分類，F(xiàn)ast R-CNN 全連接層實現(xiàn)目標分類，從圖 2-2 中可以看出經過 ROI pooling 之兩組全連接層的輸入，分別進行目標分類與位置回歸。對應地，函數(shù) L 也是由分類損失 Lcls與位置損失 Lloc兩部分構成cls loc( , , , ) ( , ) [ 1] ( , )u uL p u t v = L p u + λu ≥ L t v，p 和 u 分別為預測標簽和實際標簽；tu和 v 分別為預測位置和實實際檢測目標 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)。這兩點改進策略使得 Fast R-CNN 一步實現(xiàn)了特征提取、目標分類規(guī)避了復雜的分步訓練步驟，有效減少了離線訓練時間，在線識地得到了提升。

【相似文獻】

相關期刊論文 前10條

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

2 商車;;安凱無人駕駛客車首次駛入日本[J];商用汽車新聞;2019年Z4期

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

4 ;韓國2019年關注無人駕駛技術[J];智能機器人;2019年01期

5 章江;;戴姆勒穩(wěn)步推進無人駕駛與共享出行[J];輕型汽車技術;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];中關村;2018年01期

9 郭師緒;;政策護航“無人駕駛”高速前行[J];新產經;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

相關會議論文 前10條

1 ;美國密歇根大學教授:無人駕駛還有很長的路 汽車產業(yè)要注意避免你追我趕的大躍進心態(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;胡紀濱;;中國大學生無人駕駛方程式汽車大賽的舉辦與展望[A];2018中國汽車工程學會年會論文集[C];2018年

3 田漢青;倪俊;胡紀濱;李子睿;;大學生無人駕駛方程式賽車的自主駕駛系統(tǒng)設計[A];2018中國汽車工程學會年會論文集[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)新學術年會論文集[C];2018年

6 李振宇;;基于Boids群聚模型的無人駕駛機群[A];中國力學學會學術大會'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 王當利;;無人駕駛船舶的發(fā)展途徑[A];中國航海學會內河船舶駕駛專業(yè)委員會學術年會論文集[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)境感知技術研究[A];第18屆中國系統(tǒng)仿真技術及其應用學術年會論文集（18th CCSSTA 2017）[C];2017年

10 ;北京首條無人駕駛地鐵明年開通[A];今日軌道交通機構版[C];2015年

相關重要報紙文章 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;從特斯拉看國內無人駕駛技術的機會所在[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];經濟參考報;2019年

6 特派記者 嚴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[N];法制日報;2018年

8 特派記者 袁斯茹;5G雖熱 產品不多[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];中國產經新聞;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

相關博士學位論文 前10條

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

2 蔡惠民;深度學習算法在無人駕駛視覺中的應用[D];西安電子科技大學;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;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];中國科學技術大學;2017年

5 辛煜;無人駕駛車輛運動障礙物檢測、預測和避撞方法研究[D];中國科學技術大學;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];中國科學技術大學;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];中國科學技術大學;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;2014年

9 陳龍;城市環(huán)境下無人駕駛智能車感知系統(tǒng)若干關鍵技術研究[D];武漢大學;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];中國科學技術大學;2016年

相關碩士學位論文 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;2018年

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

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

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

7 王昶人;面向無人駕駛車輛的多雷達檢測與跟蹤技術研究[D];北京工業(yè)大學;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];中國科學院大學(中國科學院深圳先進技術研究院);2019年

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

10 陳銀銀;面向無人駕駛的增強學習算法研究[D];電子科技大學;2018年

本文編號：2757092