车载行人检测技术研究

车载行人检测是智能汽车辅助导航技术中的一项关键技术,也是计算机视觉领域研究的热点和难点.本文介绍了该技术的两个重点环节感兴趣区域分割和目标识别,以及智能驾驶系统常用的行人数据库,HOG+SVM行人检测算法和深度学习YOLOv3行人检测算法.最后总结了现有行人检测技术的难点和亟待解决的问题.     

车辆辅助驾驶系统中基于计算机视觉的行人检测研究综述

基于计算机视觉的行人检测由于其在车辆辅助驾驶系统中的重要应用价值成为当前计算机视觉和智能车辆领域最为活跃的研究课题之一. 其核心是利用安装在运动车辆上的摄像机检测行人,从而估计出潜在的危险以便采取策略保护行人.本文在对这一问题存在的困难进行分析的基础上,对相关文献进行综述. 基于视觉的行人检测系统一般包括两个模块：感兴趣区分割和目标识别,本文介绍了这两个模块所采用的一些典型方法,分析了每种方法的原理和优缺点. 最后对性能评估和未来的研究方向等一系列关键问题给予了介绍.     

基于计算机视觉的行人检测技术综述

行人检测是使用计算机视觉技术来判断图像或序列当中有没有行人经过,并同时对行人进行定位的技术,这项技术是无人驾驶领域中至关重要的一个研究方向.受行人个体差异、尺度姿态变化大、鲁棒性要求高等影响,使其具有挑战性,并得到了广泛关注.通过对建立在电脑视觉中的行人检测提箱进行目标分辨和分割的研究情况进行梳理和总结.首先,从阈值法...     

基于Kinect的行人检测方法研究

行人检测技术是车辆辅助驾驶系统的基础技术,在车辆辅助驾驶系统中起着举足轻重的作用。笔者在国内行人检测技术研究基础上,在视觉传感器上找到突破,利用Kinect能获取行人关节的特点,创新性地采用Kinect对实际道路上的行人进行实时检测。实际道路检测表明,Kinect在开阔的道路上可准确实时地检测出行人,漏检率较低,满足实时性要求,但易受光照、遮挡以及行人姿态的影响。     

交通信息采集系统中的行人检测算法

根据高速公路行人运动的先验知识,设计了一种基于视频检测技术的高速公路行人检测算法.该算法采用背景帧差分法获取运动目标区域,采用跟踪链实现运动目标跟踪,根据行人运动的先验知识在运动目标中检测行人.算法已嵌入到交通信息采集系统中,在高速公路上进行的现场测试结果表明,算法具有较好的实时性和实效性.     

智能辅助驾驶系统中的行人检测方法

大多数车载行人方案是基于特征选择和机器学习的,但大量特征的计算使实时性大幅降低。为将待检测窗口限制在最小的范围内,提出一种改进的基于立体视觉的摄像机角度估计自适应图像采样方法,利用基于类Haar特征和Real AdaBoost学习方法的分类器进行实现,在户外移动平台上对处于复杂动态背景中的行人目标进行检测。结果表明,与其他方法相比,该方法在保证检测效果的同时,计算时间仅为自适应路面拟合方法的13%。     

深度学习行人检测方法综述

行人检测技术在智能交通系统、智能安防监控和智能机器人等领域均表现出了极高的应用价值,已经成为计算机视觉领域的重要研究方向之一。得益于深度学习的飞速发展,基于深度卷积神经网络的通用目标检测模型不断拓展应用到行人检测领域,并取得了良好的性能。但是由于行人目标内在的特殊性和复杂性,特别是考虑到复杂场景下的行人遮挡和尺度变化等问题,基于深度学习的行人检测方法也面临着精度及效率的严峻挑战。本文针对上述问题,以基于深度学习的行人检测技术为研究对象,在充分调研文献的基础上,分别从基于锚点框、基于无锚点框以及通用技术改进(例如损失函数改进、非极大值抑制方法等)3个角度,对行人检测算法进行详细划分,并针对性地选取具有代表性的方法进行详细结合和对比分析。本文总结了当前行人检测领域的通用数据集,从数据构成角度分析各数据集应用场景。同时讨论了各类算法在不同数据集上的性能表现,对比分析各算法在不同数据集中的优劣。最后,对行人检测中待解决的问题与未来的研究方法做出预测和展望。如何缓解遮挡导致的特征缺失问题、如何应对单一视角下尺度变化问题、如何提高检测器效率以及如何有效利用多模态信息提高行人检测精度,均是值得进一步...     

基于计算机视觉的行人检测技术的发展

智能车辆作为智能交通系统的关键技术,是许多高新技术综合集成的载体。智能车辆的一个非常重要的研究课题就是在城市道路交通环境下如何避免行人被车辆碰撞。总结了基于计算机视觉的行人检测的现有的主要技术,针对摄像机在交通视频监控系统中的静止情况,以及在智能车辆上的运动情况下的行人检测算法及其性能进行了评述和比较,并分析了当前行人检测技术的研究现状,指出了存在的问题和研究前景。     

基于Adaboost算法的行人检测方法

鉴于Adaboost算法简单可靠、学习精度高的特点,提出一种基于Adaboost算法的行人实时检测方法。选取了扩展的类Haar特征,采用Adaboost算法训练得到了一个识别准确率理想的行人分类器,通过VC编程将级联分类器应用到实际的行人检测系统中。试验结果表明,该方法可以快速、准确地实现行人的在线检测,具有较好的实时性。     

基于卷积神经网络的行人检测技术的研究综述

随着深度学习方法在行人检测领域的深入应用,基于卷积神经网络的行人检测技术在特征学习、目标分类、边框回归等方面表现出的优势已愈发突出。因此,本文从对传统的行人检测方法和基于卷积神经网络的行人检测技术进行优劣比较切入,概述了卷积神经网络的基础构架,以此引出对当前常用的基于卷积神经网络的常见行人检测技术及其优缺点,最后讨论了现有基于卷积神经网络算法实现行人检测存在的不足和指出今后发展方向。     

自动驾驶场景的尺度感知实时行人检测

目的 行人检测是目标检测中的一个基准问题,在自动驾驶等场景有着较大的实用价值,在路径规划和智能避障方面发挥着重要作用。受限于现实的算法功耗和运行效率,在自动驾驶场景下行人检测存在检测速度不佳、遮挡行人检测精度不足和小尺度行人漏检率高等问题,在保证实时性的前提下设计一种适合行人检测的算法,是一项挑战性的工作。方法 本文旨在解决自动驾驶场景中耗时长、行人遮挡和小尺度行人检测结果精度低的问题,提出了一种尺度注意力并行检测算法（scale-aware and efficient object detection,Scale-aware EfficientDet）：在特征提取与检测中使用了EfficientDet的主干网络,保证算法效率和功耗的平衡;在行人遮挡方面,为了提高模型对遮挡现象的检测精度,引入了可以增强行人与其他物体之间特征差异的损失函数;在提高小目标行人检测精度方面,采用scale-aware双路网络算法来增加对小目标行人的检测精度。结果 本文选择Caltech行人数据集作为对比数据集,选取YOLO（you only look once）、YOLOv3、SA-FastRCNN（scale-aware fast region-based convolutional neural network）等算法进行对比,在运行效率方面,本文算法在连续输入单帧图像的情况下达到了35帧/s,多图像输入时达到了70帧/s的工作效率;在模型精度测试中,本文算法也略胜一筹。本文算法应用于2020年中国智能汽车大赛中,在安全避障环节皆获得满分。结论 本文设计的尺度感知的行人检测算法,在EfficientDet高性能检测器的基础上,通过结合损失函数、scale-aware双路子网络的改进,进一步提升了本文检测器的鲁棒性。     

双目机器视觉及RetinaNet模型的路侧行人感知定位

目的 行人感知是自动驾驶中必不可少的一项内容,是行车安全的保障。传统激光雷达和单目视觉组合的行人感知模式,设备硬件成本高且多源数据匹配易导致误差产生。对此,本文结合双目机器视觉技术与深度学习图像识别技术,实现对公共路权环境下路侧行人的自动感知与精准定位。方法 利用双目道路智能感知系统采集道路前景图像构建4种交通环境下的行人识别模型训练库;采用RetinaNet深度学习模型进行目标行人自动识别;通过半全局块匹配（semi-global block matching,SGBM）算法实现行人道路前景图像对的视差值计算;通过计算得出的视差图分别统计U-V方向的视差值,提出结合行人识别模型和U-V视差的测距算法,实现目标行人的坐标定位。结果 实验统计2.5 km连续测试路段的行人识别结果,对比人工统计结果,本文算法的召回率为96.27%。与YOLOv3（you only look once）和Tiny-YOLOv3方法在4种交通路况下进行比较,平均F值为96.42%,比YOLOv3和Tiny-YOLOv3分别提高0.9%和3.03%;同时,实验利用标定块在室内分别拍摄3 m、4 m和5 m不同距离的20对双目图像,验证测距算法,计算标准偏差皆小于0.01。结论 本文提出的结合RetinaNet目标识别模型与改进U-V视差算法能够实现对道路行人的检测,可以为自动驾驶的安全保障提供技术支持,具有一定的应用价值。     

多检测器融合的行人检测研究

针对基于梯度方向直方图的行人检测尚存在实时性不足的问题,提出了一种多检测器融合的行人检测方法。利用Haar型特征的Adaboost进行头部粗检,由于图像行人姿态或尺度的原因会导致这一过程出现漏检;采用Canny算子获取图像轮廓,并根据颜色信息获取图像轮廓,通过椭圆拟合提取图像中可能检测区域;根据前面粗检的结果,对候选区域合适变换尺度,提取PHOG特征,并采用线性SVM对其进行判决。在INRIA样本库上的测试结果表明该方法是有效可行的。     

改进星型级联可形变部件模型的行人检测

目的 行人检测是计算机视觉和模式识别领域的研究热点与难点,由于经典的可形变部件模型(DPM)检测速度太慢,引入PCA降维的星型级联检测可形变部件模型(casDPM)相比较于DPM模型检测速度虽然有了很大提升,但在应用于行人检测时,出现检测精度较低、平均对数漏检率较高的情况,为了更加准确地对行人进行检测,提出了一种改进casDPM模型的行人检测方法。方法 首先利用对象度量方法获取目标候选区域,结合目标得分信息得到casDPM模型低分检测区域的置信度,在设定的阈值上保留检测窗口;然后针对casDPM模型原有非极大值抑制(Nms)算法只利用单一的面积信息,造成误检数较高的情况,提出了利用检测窗口的得分信息进行改进;最后将两种方法结合起来,提出了融合的cas-WNms-BING模型。结果 采用本文方法在INRIA数据集上进行检测,实验结果表明该方法对于行人形变、背景特征复杂及遮挡现象具有较强的鲁棒性,相比casDPM模型,本文提出的方法平均精度(AP)可以提高1.74%,平均对数漏检率可以降低4.45%。结论 提出一种改进星型级联可形变部件模型,取得一定的研究成果,在复杂的背景下,能够有效地进行行人检测,主观视觉感受和客观实验评价指标都表明该方法可以有效提升模型行人检测效果。但是,星型级联可形变部件模型训练及检测效率仍有待提高,需进一步对模型存在的一些局限性进行深入研究。     

基于改进FCOS的拥挤行人检测算法

针对大规模拥挤场景视频中行人目标小、行人遮挡和行人交叠而导致的检测困难等问题,本文将逐像素预测目标检测框架—全卷积单阶段目标检测FCOS(fully convolutional one-stage object detection)应用于行人检测,提出一种改进的主干网络用于提取行人特征,通过增加尺度回归实现目标行人的多...     

基于随机森林的层次行人检测算法

针对视频和图像中快速、准确的行人检测问题,提出了一种分层次的、全局信息和局部信息相结合的行人检测算法.该方法以随机森林分类器为基础,利用图像金字塔模型融合行人的多层信息.首先,在低尺度空间利用主方向模板(DOT)特征和随机森林算法训练行人的全局分类器,第一层检测在低尺度空间中进行,找到行人的候选区域;然后,在高尺度空间提取图像块集合,基于部件随机森林训练行人的局部外观和几何约束模型;最后,基于上层的候选区域,在高尺度空间利用霍夫投票进行第二层精确检测.实验结果表明,该方法有更低的时间复杂度,并提升了行人检测的准确率,全局信息和局部信息的层次融合,能有效解决快速、准确的行人检测问题.     

改进的卷积神经网络行人检测方法

为了在行人检测任务中使卷积神经网络（CNN）选择出更优模型并获得定位更准确的检测框,提出一种改进的基于卷积神经网络的行人检测方法。改进主要涉及两个方面：如何决定CNN样本迭代学习次数和如何进行重合窗口的合并。首先,关于CNN样本迭代次序问题,在顺序迭代训练多个CNN分类模型的基础上,提出一种基于校验集正确率及其在迭代系列分类器中展现出的稳定性进行更优模型选择的策略,以使最终选择的分类器推广能力更优。其次,提出了一种不同于非极大值抑制（NMS）的多个精确定位回归框合并机制。精确定位回归框的获取以CNN检测过程输出的粗定位框作为输入。然后,对每个粗定位框应用CNN精确定位过程并获得对应的精确定位回归框。最后,对多个精确定位回归框进行合并,合并过程考虑了每个精确定位回归框的正确概率。更精确地说,最终的合并窗口是基于多个相关的精确定位回归框的概率加权求和方式获得。针对提出的两个改进,在国际上广泛使用的行人检测公共测试数据集ETH上进行了一系列实验。实验结果表明,所提的两个改进方法均能有效地提高系统的检测性能,在相同的测试条件下,融合两个改进的方法相比Fast R-CNN算法检测性能提升了5.06个百分点。     

基于HOG特征的行人视觉检测方法

行人检测是近年来计算机视觉领域中备受关注的前沿方向和研究热点.以单目视觉传感器作为外界环境信息获取的主要手段,建立了一个包含行人分割、识别的检测系统.根据行人特有的一些特征,提出了基于垂直边缘和边缘对称性的行人分割方法,并进行精确定位.在行人识别阶段利用HOG特征进行特征提取,然后利用线性支持向量机进行行人识别.对大量...