發(fā)布時間：2021-08-24 08:12

　　隨著我國汽車保有量持續(xù)增長,行車安全問題日益嚴峻。車載熱成像行人檢測系統(tǒng)通過實時檢測前方道路行人,警示駕駛員規(guī)避碰撞,進而有效減少人車碰撞事故。由于熱成像圖像顏色信息缺乏、目標細節(jié)及紋理不明顯,且道路場景中的行人目標通常存在遮擋、熱度分布不均、尺度差異大等現象的干擾,導致準確檢測熱成像圖像中的行人目標難度較大。本文圍繞熱成像圖像行人特點,對現有的行人檢測算法展開研究,并提出優(yōu)化方法。本文主要貢獻包括:1)熱成像圖像中行人頭部模式較為固定,提出基于頭部特征點的車載熱成像行人檢測感興趣區(qū)域（Region of Interests,Ro Is）提取算法。利用幀頭部區(qū)域和前景區(qū)域約束頭部特征點提取,提升頭部特征點提取的精度和效率;設計高效的頭部特征點Ro Is模型計算頭部特征點生成Ro Is,并通過前景信息度量調整Ro Is,提升Ro Is定位準度;實驗結果表明,所提方法在保證高實時性的前提下,覆蓋率和召回率明顯優(yōu)于圖像分割方法。2)車載熱成像行人檢測中存在樣本分布不平衡和分類器效率較低的問題,提出基于HOG-XGBoost的車載熱成像行人檢測分類器優(yōu)化方法。將Focal-Loss引入XGBo... 

【文章來源】：華南理工大學廣東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數】：82 頁

【學位級別】：碩士

【部分圖文】：

BiC模塊和BPIF模塊網絡結構[46]

華南理工大學碩士學位論文10表1-1熱成像行人檢測數據集數據集行人標注數量圖像幀數總幀數訓練集測試集訓練集測試集LSI[47]10.2k5.9k6.2k9.1k15.3kCVC[48]4.8k4.3k3.5k1.4k4.9kKAIST[49]42k45k50k45k95kSCUT[50]175k177k108k103k211ka)市中心場景b)郊區(qū)場景c)校園場景d)快速道路圖1-3SCUT熱成像數據集，紅色框、綠色框、黃色框分別為“ride_person”、“walk_person”和“people”，虛線表示遮擋[50]1.3研究內容與創(chuàng)新點本文圍繞熱成像圖像行人特點，對現有的行人檢測算法展開研究，并提出優(yōu)化方案。本文的具體研究內容和創(chuàng)新點總結如下：1）提出基于頭部特征點的車載熱成像行人檢測RoIs提取算法熱成像圖像中行人頭部模式較為固定，不論行人是行走還是騎行姿態(tài)，均呈現為高亮的近似圓形，利用行人頭部來定位行人更容易獲得魯棒的結果，因此提出基于頭部特

華南理工大學碩士學位論文16圖2-1連通區(qū)域標記效果圖2-24-鄰接(左)與8-鄰接(右)關系2.2.2基于特征點提取感興趣區(qū)域熱成像圖像中行人頭部模式較為固定，不論行人是站立、行走還是騎行姿態(tài)，均呈現為高亮的近似圓形�；谶@一認識，Miron等人[15]提出一種基于特征點提取的感興趣區(qū)域提取方法，該方法使用SURF算法檢測圖像中的特征點，然后通過特征點與分層碼本聚類中心進行匹配以生成行人RoIs。由于本文提出的基于頭部特征點的車載熱成像行人檢測RoIs提取方法使用SURF算法定位頭部點，但是不涉及到SURF特征描述子和分層碼本匹配，因此接下來僅介紹SURF算法中的特征點定位過程。SURF算法定位特征點的過程為：首先逐像素計算Hessian矩陣行列式值，然后將Hessian矩陣行列式值作為響應值構造多尺度金字塔響應層，最后使用三維極大值判定方法在多尺度響應層上確定特征點位置和尺度。（一）Hessian矩陣行列式值計算對于圖像金字塔尺度為σ的圖像I，位置(x,y)的像素點κ對應的Hessian矩陣定義為：),(),(),(),(),(yyxyxyxxLLLLH(2-8)

【參考文獻】：
期刊論文
[1]不平衡分類的數據采樣方法綜述[J]. 劉定祥,喬少杰,張永清,韓楠,魏軍林,張榕珂,黃萍.  重慶理工大學學報(自然科學). 2019(07)
[2]魯棒車載熱成像行人檢測的感興趣區(qū)域提取方法[J]. 徐哲煒,許瑞霖,劉瓊.  華南理工大學學報(自然科學版). 2019(02)
[3]圖像閾值分割方法研究進展20年（1994—2014）[J]. 吳一全,孟天亮,吳詩婳.  數據采集與處理. 2015(01)
[4]一種雙閾值紅外行人分割方法[J]. 石祥濱,劉曉娜,劉芳.  計算機工程. 2012(12)

博士論文
[1]車載單目遠紅外行人檢測關鍵技術研究[D]. 王國華.華南理工大學 2016

碩士論文
[1]低維度特征的行人檢測研究[D]. 文韜.長沙理工大學 2013



本文編號：3359623