基于机器视觉的汽车先进驾驶辅助系统中行人检测技术研究

摘要

近年来，我国汽车产业蓬勃发展，汽车智能化水平逐步提升，人们对汽车的主动安全性提出了越来越高的要求。汽车先进驾驶辅助系统(Advanced Driver AssistanceSystems，ADAS)是实现汽车主动安全的关键，行人检测是ADAS的技术难点，更是ADAS行人碰撞预警系统的核心技术，直接关系到行人的人身安全。由于道路场景和行人自身的复杂性，使得目前还没有一个检测精度高、实时性好、鲁棒性强的行人检测器，目前汽车ADAS中行人检测大多数是采用方向梯度直方图特征和支持向量机的方法，需要手工设计行人特征，且步骤复杂、耗时多，而深度学习视觉算法提供了一个好的解决方案，它将行人特征的提取与行人特征的识别统一到同一网络模型中，自动学习行人特征，简化了行人检测步骤，减小了计算量。本文以汽车ADAS行人检测问题为研究对象，在查阅国内外相关领域文献的基础上（第一章），主要展开了以下研究: 第一，建立了一个新的混合数据集INRIA-NEW，引入深度学习视觉算法FasterR-CNN、YOLO构建了端到端的行人检测器。深入研究了行人检测中行人特征的提取和行人特征的识别这两个关键问题，并把行人特征的提取和行人特征的识别统一到同一网络模型中，完成了端到端的行人检测（第二章，第三章）。 第二，提出了高精度、高实时性、强鲁棒性的YOLO-Person行人检测器。在YOLO的基础上，结合批量归一化、残差、特征金字塔网络以及行人宽高比特点进行优化，确立优化方案，采用迁移学习的方式进行训练，构建出YOLO-Person行人检测器，达到了检测精度、实时性和鲁棒性的平衡，高效完成了行人检测（第四章）。 第三，提出了行人碰撞预警准则及相应工作流程，基于优化模型YOLO-Person构建了行人碰撞预警系统，并采用YOLO-Person完成了车载视频的行人检测。对行人碰撞预警系统进行了模块化设计，针对该系统的行人检测和行人测距分别给予相应的解决方案。同时，基于优化模型YOLO-Person完成了车载视频的行人检测试验，验证了YOLO-Person方法的有效性和优越性（第五章）。 本文分别在INRIA-NEW混合数据集和车载视频上完成了行人检测，试验结果表明:相较于传统方法，基于深度学习的端到端行人检测模型的性能显著提升，且本文构建的YOLO-Person行人检测器在检测精度、实时性和鲁棒性方面都具有良好的表现。

目录

声明

致谢

摘要

1绪论

1．1研究背景及意义

1．1．1课题研究背景

1．1．2课题研究意义

1．2汽车ADAS与行人检测的国内外研究现状

1．2．1汽车ADAS的研究现状

1．2．2行人检测的研究现状

1．3汽车ADAS行人检测的难点与数据集

1．3．1汽车ADAS行人检测的难点

1．3．2行人检测数据集

1．4论文主要研究内容及技术路线

1．4．1研究内容

1．4．2章节内容安排

1．5本章小结

2基于机器视觉的行人检测基本理论

2．1．2视觉传感器的选择

2．1．3 NRIA-NEW混合数据集的建立

2．2行人区域的选择

2．3行人特征的提取

2．4行人特征的识别

2．4．1自适应增强算法

2．4．2支持向量机

2．4．3卷积神经网络

2．5行人碰撞预警系统

2．6本章小结

3基于深度学习的端到端汽车ADAS行人检测

3．2 Faster R-CNN检测网络的构成

3．2．1区域建议网络

3．2．2锚点机制

3．2．3 ROI池化层

3．2．4多任务损失函数

3．3试验与检测结果分析

3．3．1行人检测性能评价指标的选取

3．3．2 Faster R-CNN行人检测模型的训练

3．3．3试验结果及分析

3．4 YOLO检测网络的构成与分析

3．5本章小结

4汽车ADAS行人检测模型的优化设计

4．1 YOLO网络模型的优化设计

4．1．1 YOLO-P网络模型的构建

4．1．2 YOLO-Person网络模型的构建

4．2 YOLO网络模型优化方案的确定

4．3基于YOLO优化模型的行人检测模型训练

4．3．1行人检测优化模型的迁移学习

4．3．2行人检测优化模型的训练细节

4．4试验与检测结果分析

4．5本章小结

5基于优化模型YOLO-Person的行人碰撞预警系统设计

5．1行人碰撞预警系统概述

5．2行人碰撞预警准则与流程的建立

5．2．1行人碰撞预警准则的提出

5．2．2 PCW系统工作流程的制定

5．3行人碰撞预警系统的设计

5．3．1图像采集与预处理模块

5．3．2行人检测模块

5．3．3行人测距模块

5．3．4预警提示模块

5．4车载视频行人检测的试验

5．5本章小结

6总结与展望

6．1总结

6．2展望

参考文献