行驶环境中目标检测 课件讲解.pptx

《车载智能技术》

无人驾驶汽车环境感知-行驶环境中目标检测主讲人：黄侃江西交通职业技术学院

行驶环境中目标检测目前，运用车载视觉实现环境感知通常遵循以下3个步骤：(1)图像预处理。(2)目标检测。(3)目标识别。

一、行人检测行人检测数据集可以分为两类：行人检测数据集和包含大量行人的数据集。1、切图检测和感兴趣区域的提取较大的网络输入维度对模型效率和精度提升有帮助，因此，在综合网络的测试中做类似的实验，实验的配置和检测结果见表4-1。

一、行人检测采用冗余切割法，如图4-9所示。对于CityPersons数据集2048×1024的图片尺寸，提出感兴趣区域后进行切图检测，通过感兴趣区域结合切图的方案，能有效提升小目标的检测精度，其切图示意图，如图4-10所示。(1)将切割得到的子图1和子图2放入网络进行检测，得到检测结果集S1和S2。(2)融合S1和S2。需要使用到NMS算法去除重复框，然后边界判断去除部分检测框。

一、行人检测2、夜间情况下的行人目标检测通常情况下，实际夜晚的场景具有成像条件差、光线不足、灯光干扰大和阴影等的影响，这更加大了行人检测的难度。夜晚环境成像示意图如图4-11所示，第一、二行为BDD100K的样本，第三行为实际应用中工业摄像头所摄取的样本(分辨率、帧率等同BDD100K一致)。

一、行人检测对于如此复杂的夜晚场景，实验方案包括对现有的数据集进行处理或者从成像设备和成像处理角度解决对于数据集的处理，效果甚微，但是采用红外摄像头加屏蔽可见光的处理方式，可以明显提升成像效果和检测效果，经处理后的示例如图4-12所示。

二、车辆检测实际检测图片时，可以提取一种特征，也可以提取多种特征并互相结合。图像特征是指图像的原始特性或属性，有两类：一类是受视觉感知的自然特征，如灰度、边缘、颜色空间；一类是需要数学变换或量测的空间频域、直方图。1、车辆特征提取及识别

二、车辆检测可以采用以下不同的方法，对车辆特征进行提取及识别，从而达到识别车辆、实现车辆信号交互的目的。11)Hough特征33)颜色特征55)HOG特征22)Surf特征44)纹理特征66)可变形部件模型(DPM)

二、车辆检测基于统计学习理论的SVM(supportvectormachine，支持向量机)是在VC维(vapnikchervonenkisdimension)的基础上，以构建结构风险最小化来代替以往分类问题采用的经验风险最小化。这样能有效避免过学习的现象。SVM除了有很好的线性分类能力外，同样具备很好的非线性分类能力和泛化能力。同时，其全局收敛性要优于一般的学习机。2、基于SVM的图像目标识别

二、车辆检测通过Matlab图像处理模块对训练样本集和预测集进行批量HOG特征提取并输出特征矩阵，组成训练数据集及预测数据集。分别配置参数(RBF核函数的参数C、gamma，以及多项核函数中的参数d均通过参数寻优来确定)，经过训练，输出5个车辆识别模型文件，以及包含的核函数权重、准确率。3、车辆模型训练及预测试验

二、车辆检测其后对于训练的模型用已知样本标签的预测集去测试模型的有效性，如图4-13所示。实验结果见表4-2，即最终车辆识别效果对比

二、车辆检测实验表明，在数据集较大的情况下，单独使用一个核函数处理非线性数据后的识别效果存在很大差异，其中使用线性核函数并不能取得十分理想的效果，而采用多项式核函数取得的识别效果是最优秀的。实验中还发现同时由于多核SVM具备多种核函数的优势，因此获得了比使用单一核函数更为优秀的识别率，如图4-14所示。

二、车辆检测比较而言，图4-14(a)效果要优于图4-14(b)效果。因为图4-14(a)显示在一定距离识别范围内没有漏检和过拟合的情况，检测效果也要优于图4-14(b)。而图4-14(b)显示检测结果存在一定的过拟合现象，这是最初确立研究内容时，希望能被改善的一个方面。

谢谢观看