【智能驾驶】自动驾驶深度感知技术对车和行人的检测.pdfVIP

【智能驾驶】自动驾驶深度感知技术对车和行人的检测

今天我主要想分享自动驾驶感知技术在探索的过程中，采用的传统方法和深

学习方法。传统方法不代表多传统，深学习也不代表多深。它们有各

自的优点，也都能解决各自的问题，最终希望将其结合起来，发挥所有方法

的优点。

感知系统简介

感知系统

传感器

窈体追踪

5

总2

UOAR总多例物体追踪物体状态信息计算8

举«传礴K*合物体分割（速度.馆遵愎，

方向导）

Comerot

s

s物体检测物体分类

Rodorx

场景埋弊

信号灯识别道路转任分析

66

首先介绍下感知系统。感知可以被看作是对周围世界建模的过程，比如车

辆在行驶过程中，需要知道其他物体的地理位置、速度、运动方向、加速

度等各种各样的信息，自动驾驶系统接收这些信息之后，再通过后续的规

划和控制模块来对车的运动做真正的调节。

感知可以类比为人类眼睛的功能，即观察周围世界的能力：

♦采用的传感器：激光雷达、照相机、毫米波雷达等。

♦帧信号处理：多传感器深度融合、物体分割、物体检测、物体分类。

♦物体追踪：当有多帧信息之后，可以推算速度、加速度、方向等更有意

义的信息，甚至可以用多帧的信息调整物体分割的结果。

♦道路特征分析：对道路特征进行理解,比如交通信号灯、交通指示牌

等。

感知可以认为是自动驾驶系统的基础部分，假如感知不到这个世界，就谈

不上对这个世界做出反应，更谈不上后续的路径规划和车辆控制的过程。

2D物体检测

我今天主要介绍关于物体检测部分，因为必须先有了准确的物体检测和分

割结果，我们才能对物体做出准确的分类、追踪等。我首先介绍下2D物

体检测。

pony

传统2D物体检测方法

2D物体检测是指以2D信息作为输入（input）的检测过程，而典型的

2D输入信息来自于照相机。

传统2D物体检测方法及缺点

传统的2D信息检测方法是使用检测框遍历图片，把对应的图片位置抠出

来之后,进行特征提取，用Harris计算子检测角点信息，Canny计算子

检测边缘信息等。物体特征被提取并聚集在一起后，通过做分类器（比如

SVM）,我们可以判断提取的图中是否存在物体,以及物体的类别是什

么。

但传统2D物体检测方法存在不足：

•检测物体时，需要预置检测框，对不同物体需要设置不同的检测框。

•自动驾驶需要高级的组合特征，而传统方法提取的特征维度比较低，

对后续的分类会造成比较大的影响。

基于深度学习的2D物体检测

♦AnchorFreeMehods:直接对照特征字塔的每个