基于視覺的無人車環(huán)境中的多目標(biāo)檢測算法研究.pdf

1、在路況復(fù)雜和數(shù)據(jù)量大的背景下，如何設(shè)計(jì)模型將路況圖像中的目標(biāo)區(qū)域準(zhǔn)確的檢測出來是目前基于視覺的無人車環(huán)境中的多目標(biāo)檢測的一大挑戰(zhàn)?；谝曈X的深度學(xué)習(xí)可以在復(fù)雜場景和數(shù)據(jù)量大的情況下，不需要針對(duì)具體的目標(biāo)設(shè)定不同的特征進(jìn)行多類目標(biāo)的檢測，且符合人腦視覺信息處理過程，使得其更加接近人工智能，因此基于視覺的深度學(xué)習(xí)的多目標(biāo)檢測成為研究的熱點(diǎn)之一。為此，結(jié)合無人車環(huán)境的具體應(yīng)用，研究如何利用基于視覺的方法對(duì)復(fù)雜路面情況實(shí)現(xiàn)多目標(biāo)檢測，提出具有準(zhǔn)

2、確率和魯棒性的多目標(biāo)檢測算法。本研究主要內(nèi)容包括：
　?、艦榱颂岣叨嗄繕?biāo)檢測的處理速度，減少無關(guān)信息的干擾，根據(jù)無人車的行車參數(shù)，從標(biāo)定好的車載攝像頭拍攝的圖像中確定感興趣區(qū)域，并使用基于區(qū)域的方法而非滑動(dòng)窗口作為目標(biāo)檢測器，提出一種結(jié)合分割和視覺注意機(jī)制的目標(biāo)區(qū)域提取算法。該算法從全局的角度對(duì)圖像進(jìn)行了不同區(qū)域的劃分，然后從局部的角度計(jì)算了每個(gè)區(qū)域的顯著性信息值得到了候選目標(biāo)區(qū)域。對(duì)于顯著性，提出了一種新的計(jì)算信息值的方法。為了

3、提高視頻的處理速度，結(jié)合多幀信息對(duì)候選區(qū)域進(jìn)行了預(yù)測。該算法與最新的區(qū)域提取算法相比在速度上有顯著的提高，且只生成了一個(gè)目標(biāo)獨(dú)立范疇窗口少于三十個(gè)的目標(biāo)候選集，降低了時(shí)間復(fù)雜度，滿足了實(shí)時(shí)性和精度要求。
　?、茷榱耸沟枚嗄繕?biāo)的特征表達(dá)更加接近人工智能，模擬生物視覺處理信息過程，提出一種結(jié)合稀疏性、顯著性、局部性和深度特性的多目標(biāo)檢測算法。該算法首先將目標(biāo)候選區(qū)域用非負(fù)稀疏局部線性編碼對(duì)圖像進(jìn)行編碼得到稀疏性和局部性特征，然后對(duì)該特

4、征進(jìn)行顯著池化得到比較顯著的特征，將該過程類似神經(jīng)網(wǎng)絡(luò)過程進(jìn)行重復(fù)處理，得到具有深度特性的特征使得特征表達(dá)更加抽象，將有利于目標(biāo)的判別。對(duì)于最后一層的輸出使用高斯金字塔的顯著池化，得到統(tǒng)一的特征維度可以忽略輸入的尺寸。最后將特征用分類器判斷候選目標(biāo)區(qū)域是否為當(dāng)前幀的目標(biāo)區(qū)域。
　?、蔷幊虒?shí)現(xiàn)結(jié)合分割和視覺注意機(jī)制的區(qū)域提取算法和結(jié)合稀疏性、顯著性、局部性和深度特性的多目標(biāo)檢測算法，實(shí)驗(yàn)結(jié)果表明，針對(duì)光照的變化、擁擠的交通這樣復(fù)雜環(huán)