论文部分内容阅读
在城市混合交通中,由于城市机动化水平的快速发展,汽车占据了其中的主要地位,而行人在其中的弱势地位日益加重。由于行人穿越道路一般在斑马线区域进行,斑马线区域常常成为人与车辆交互最频繁的区域。而人在斑马线区域的位置、通行方式成为对区域交通安全判断的关键因素。因此,本文从基于视频监控的斑马线行人检测与行为分析两方面入手,对相应的基于深度学习的智能算法展开研究。论文主要工作包括:(1)提出一种专门用于目标检测网络的骨干网络,将其应用在一阶段目标检测网络SSD上用于解决斑马线行人检测问题。首先,对基于深度学习的一阶段目标检测算法SSD进行了深入分析。然后,对检测网络所使用的骨干网络进行了探讨,对现有骨干网络DarkNet-53进行初步改进,获得初步改进网络DarkNet-60。接着,提出了一种用于增强网络感受野的网络结构Dense RFB(receptive field block),并将该结构加入初步改进的骨干网络获得检测专用骨干网络DRFNet(dense receptive field network),最后,将骨干网络DRFNet用于SSD,提升了SSD对斑马线行人的检测性能。(2)提出了一种基于检测算法CenterNet的快速行人检测算法。首先,选择了无先验框算法CenterNet取代基于先验框的检测算法SSD,以避免在实际应用过程中繁琐的调参问题。然后,对CenterNet算法进行了包括网络结构与损失函数在内的两方面改进。在网络结构方面,提出了FRFEM结构,并以此构建了RFRNet。RFRNet可以通过附加连接的方式有效地增强骨干网络的感受野分布,提升网络性能。在损失函数方面,提出了数值稳定更强,更容易优化的Cener-IoU Loss。最后,通过在大规模行人检测数据集上进行迁移学习的方式,充分利用CenterNet无先验框检测算法的优势,使得算法实现对斑马线行人快速而精确地检测。(3)针对斑马线区域行人的通行方式问题,提出了一种基于人体骨架时序信息的行为分析算法。首先,利用行人检测算法与多目标跟踪算法获得监控视频中行人的时间序列图像。然后,使用姿态估计算法提取时间序列图像中的行人骨架信息。接着,对行人骨架信息进行映射构成RGB图像,并使用分类网络构建行为识别模型对映射后的动作图像进行分类,最终实现对斑马线行人的通行方式的判断。