论文部分内容阅读
随着自动驾驶汽车日渐风靡,自动驾驶汽车的安全性也逐渐成为人们关注的焦点。自动驾驶汽车在道路行驶时,不仅要对车辆使用者的安全负责,还要实时对周围环境进行感知,对其他道路使用者的安全负责。行人作为道路使用者之一,能否快速地被检测出来直接关系到自动驾驶汽车的普及和推广。为此,本文对faster RCNN进行简化,使用VGG-16网络和ZF网络分别基于区域生成网络模型实现了行人检测。本文算法将行人检测问题视为二分类问题进行解决,将行人目标视为前景,非行人区域视为背景。首先,对预训练模型VGG-16网络和ZF网络结构以及资源占用量进行分析,对资源占用量较大的层进行删减或修改等操作,降低了网络模型大小。然后,使用修改后的预训练模型实现了基于区域生成网络的模型训练,并分别实现卷积权重和特征提取效果图的可视化分析,预估了算法的检测能力。接着,使用本文算法分别就Caltech Pedestrian Dataset和自拍摄数据集样张进行随机抽取,实现了检测结果展示。然后,探究了训练参数、非极大抑制等因素对检测结果的影响,并使用Caltech Pedestrian Dataset的set00set03作为训练集,Daimler Mono Ped.Detection Benchmark Data Set的子集作为测试集,实现了算法稳定性测试。最后,使用官方统一评价指标就本文算法和主流算法在Caltech Pedestrian Dataset上的检测结果进行了对比分析。实现结果显示,本文Ped-VGG16算法在Caltech Pedestrian Dataset上将漏检率(FPPI=10-1)降低到了16.9%,Ped-ZF算法降低到了33.83%,并且分别将时间降低到了0.14s和0.05s。实验结果表明,两种算法的性能优于大多数主流算法,并且Ped-ZF算法基本达到了实时检测行人的目标。