论文部分内容阅读
目标检测是智能车辆视觉系统一项非常重要的内容。目前智能车辆视觉系统主要是以行人与车辆为研究对象。然而,当前大多数行人与车辆检测算法均使用传统几何特征与分类器相组合的方法,这些方法虽然取得了一定的成果,但是对于行人或车辆存在遮挡、形变等情况时,其整体检测效果并不理想。而利用深度卷积神经网络则可以在一定程度上克服这些因素的影响。但与此同时,深度卷积神经网络又存在训练与测试速度慢的弱点。本文针对智能车辆视觉系统中行人检测与车辆检测存在的难点问题展开研究,论文的主要工作和成果为:针对智能车辆视觉系统中目标检测问题,提出了基于边缘盒(Edgebox)改进的Fast-Rcnn算法。该算法借鉴人类视觉系统的显著性机制,利用物体边缘信息构造潜在的行人与车辆目标候选区域。在此基础之上,结合Fast-Rcnn实现了一种快速、准确的目标检测算法。在实验中,对比了改进Fast-Rcnn与原始Fast-Rcnn算法在Pascal VOC2007目标检测数据库中的性能。最后利用实车采集的图像数据进行实验验证了改进Fast-Rcnn算法的有效性。提出了改进Fast-Rcnn与OS-ELM(Extrem Learning Machine for online sequential data,OS-ELM)组合分类学习算法,该算法可以很好的解决Fast-Rcnn中分类器收敛速度慢、分类精度不高等问题。OS-ELM是一种可连续、分批输入训练数据的增量式学习方法,通过将其与改进Fast-Rcnn算法相结合,进一步提升了目标检测的准确率。在实验中,该算法在Pascal VOC2007数据库中进行了性能测试,实验结果验证了该算法的有效性。基于无人驾驶汽车采集的校园环境数据,构建了一个行人检测数据库。该数据库含有图片4716张,人工标记图片1179张。在实验中对比了改进Fast-Rcnn与OS-ELM组合分类学习算法与目前主流的ACF行人检测算法性能,实验结果验证了该组合分类算法的有效性。