论文部分内容阅读
随着智能时代的来临,汽车工业正经历着一场重大变革。以自动驾驶与辅助驾驶系统为代表的产业革命在快速推进的同时,也面临着巨大的挑战。特别是在安全问题上,如何让系统在不同光照环境下快速准确的识别与定位行驶区域中的行人,是当前行业面临的关键问题。利用计算机视觉技术对行人进行检测定位日趋成熟,同时远红外技术依靠其自身独有的特性,也在目标成像领域大放光彩。因此,结合计算机视觉技术和远红外成像技术来检测分割昼夜及恶劣环境中的行人对于驾驶系统具有十分重要的理论意义和应用价值。本文的主要工作包括以下几点:(1)首先是远红外图像的采集及数据集制作。本文分析了远红外成像对于自动驾驶系统的重要性,介绍了数据采集设备,说明了如何获取远红外图像数据集并有效对行人目标进行标注和预处理,在此基础上获得了低分辨率远红外数据集DLMU_FIR2020。(2)其次是远红外图像中的行人目标检测。本文根据远红外图像的特性和应用场景的需求,选择基于深度学习的单阶段目标检测YOLO算法作为基本框架。在此基础上,提出了一种改进的远红外行人检测方法。在保证实时性能的基础上有效提升了检测精度。相比于原有算法,在DLMU_FIR2020和FLIR数据集的测试结果中平均准确率分别提升了 1.5%和0.9%。(3)最后是远红外图像中的行人目标分割。本文分为两条路线,第一条是结合目标检测结果或包围框标注信息的传统分割法。分别提出了利用包围框的均值方差行人分割方法、利用包围框的自适应分辨率行人分割法。两种方法在DLMU_FIR2020和FLIR数据集的30张随机测试中平均交并比均达到60%以上。第二条路线提出了一种基于深度学习的深层分割模型,针对远红外图像的性质设计了独特的结构,模型在KAIST行人分割测试集中平均交并比达到46.79%,同时利用迁移学习的方法在DLMU_FIR2020和FLIR数据集的30张随机测试中平均交并比分别达到36.57%与66.24%。综上所述,本文制作的低分辨率远红外数据集丰富了目前的研究数据,提出的车载远红外图像行人检测与多种分割算法可以对实际驾驶场景中的行人进行有效的检测与分割,通过合理的实验过程设计,展示并分析了实验结果,从理论和现实两个角度解释了本文的研究意义。