论文部分内容阅读
行人检测是车辆自动驾驶系统的核心模块,主要通过安装在汽车上的雷达、摄像头等设备获取道路状态信息,判断车辆行驶前方是否有行人,为车辆自动驾驶过程中报警、自动减速或者紧急刹车等控制决策提供依据,以保护行人安全,提高车辆行驶的安全性。由于受天气、光照、衣着、姿势变化和遮挡等情况的影响,目前行人检测的准确率距离实际应用需求还有一定差距。 本文在Wanli Ouyang等人提出的联合深度网络(Unified Deep Net,UDN)结构基础上,综合考虑行人图像的整体特征及其局部区域的细节特征,提出了一种双流UDN行人检测算法。具体工作总结如下: (1)面向行人检测的双流UDN网络。针对传统UDN网络应用于行人检测时容易将树木、电线杆等类似行人的柱状物体判断为行人的问题,考虑到包含人体头部区域的图像形变较小、特征较为稳定且具有较好区分度的特点,构建了双流UDN网络分别提取行人图像的整体特征与局部特征,有效地提高了检测效果。 (2)面向UDN网络的多特征图输入。分别计算图像的HOG特征、Sobel特征、颜色特征和基于GrabCut的图像显著性区域,将其组合到三个通道中作为UDN网络的输入。与Wanli Ouyang等人提出的UDN使用原始输入相比,本文提出的多特征图融合了对行人检测有显著效果的HOG特征和显著性物体区域,更有利于行人特征的提取。 (3)双流UDN网络的训练。针对双流UDN网络的参数训练,提出了一种联合训练方法。先分别训练两个子网络,子网络分类结果满足一定条件后,融合两个子网络分类结果作为最终分类结果,分类结果分别返回给子网络继续训练。此外,为了提高网络的训练速度,将传统网络的激活函数由sigmoid改为softplus;对正样本进行镜面翻转、小角度旋转,增加正样本的多样性及数量以使正、负样本比例均衡,进而改善网络的识别性能。