深度卷積網(wǎng)絡(luò)是解決分類問題的一種有效手段,但行人檢測任務(wù)并不能通過分類來直接實現(xiàn).為了在行人檢測問題中進一步發(fā)揮深度卷積網(wǎng)絡(luò)的優(yōu)越分類性能,在實拍場景下,針對平直道路的情況,提出了一種基于攝像機安裝位置和攝像機參數(shù)的感興趣區(qū)域分割方法,合理利用先驗知識和規(guī)則,對行人在圖像當(dāng)中可能出現(xiàn)的位置,以及不同位置上行人的尺度大小給出限制,從而系統(tǒng)僅對可能發(fā)生危險的區(qū)域進行搜索,避免了傳統(tǒng)方法中多尺度遍歷搜索整副圖像的弊端.在此基礎(chǔ)上,將危險區(qū)域所得的候選目標(biāo)窗口作為待檢測樣本傳送到構(gòu)建好的深度卷積網(wǎng)絡(luò)中進行分類,完成行人檢測任務(wù).實驗結(jié)果表明,所研究的算法在一定距離內(nèi)達到了預(yù)期的檢測效果. 

【文章來源】：河北師范大學(xué)學(xué)報(自然科學(xué)版). 2020,44(02)

【文章頁數(shù)】：6 頁

【部分圖文】：

LeNet-5系統(tǒng)

圖2為道路的實拍照片,來源于百度實景地圖.其中紅色框內(nèi)區(qū)域是依據(jù)知識和經(jīng)驗所定義的高危險區(qū)域,黃色框內(nèi)區(qū)域是所定義的次危險區(qū)域,其他區(qū)域被認為是安全區(qū)域,包括圖像右側(cè)的隔離帶、非機動車道和人行道、圖像左側(cè)的對面車道、非機動車道和人行道,以及圖像上半部分的天空、樹木和房屋區(qū)域.值得注意的是,圖像左側(cè)人行道中有一個撐著傘的行人,根據(jù)上述定義,該行人處于安全區(qū)域;聯(lián)想到實際駕駛時的場景,該行人很難與所駕車輛產(chǎn)生碰撞,輔助駕駛系統(tǒng)能否檢測到該位置的行人對駕駛安全幾乎沒有影響,而駕駛?cè)嗽隈{駛時即便發(fā)現(xiàn)此處的行人也會選擇忽略.由此可以證明,所提出的危險區(qū)域具有合理性.圖2中,道路的分道線清晰可見,但是在很多情況下道路的分道線并不明顯,為了在沒有道路標(biāo)志線的情況下準(zhǔn)確獲取所定義的高危險區(qū)域和次危險區(qū)域,提出了以下2點假設(shè):

3.1 危險區(qū)域選擇考慮到直接在公路上做實驗存在較大的風(fēng)險,同時也是違法行為,將實驗場地遷移到了學(xué)校的運動場上.圖3給出了學(xué)校運動場上實拍的景象,紅色區(qū)域為所定義的高危險區(qū)域,黃色區(qū)域為次危險區(qū)域.卷積神經(jīng)網(wǎng)絡(luò)只檢測是否有行人進入了危險區(qū)域,對于圖像中的其他位置選擇忽略,以提高檢測速度.攝像機位于跑道的起點處,拍攝視角與地面平行,到地面的垂直距離為1 m,這是考慮到不同車輛攝像頭安裝位置不同,有的安裝在車內(nèi)的擋風(fēng)玻璃上,有的安裝在車前臉的進氣柵處,其高度范圍大致是0.6～1.4 m,本研究選取了比較折中的數(shù)值.

【參考文獻】：
期刊論文
[1]Faster R-CNN行人檢測與再識別為一體的行人檢索算法[J]. 陳恩加,唐向宏,傅博文.  計算機輔助設(shè)計與圖形學(xué)學(xué)報. 2019(02)
[2]基于Faster R-CNN的手勢識別算法[J]. 吳曉鳳,張江鑫,徐欣晨.  計算機輔助設(shè)計與圖形學(xué)學(xué)報. 2018(03)
[3]基于SVM模型的單目紅外圖像深度估計[J]. 席林,孫韶媛,李琳娜,鄒芳喻.  激光與紅外. 2012(11)



本文編號：3088020