基于視覺的無人車環(huán)境中的多目標檢測算法研究.pdf

1、在路況復雜和數(shù)據(jù)量大的背景下，如何設計模型將路況圖像中的目標區(qū)域準確的檢測出來是目前基于視覺的無人車環(huán)境中的多目標檢測的一大挑戰(zhàn)?；谝曈X的深度學習可以在復雜場景和數(shù)據(jù)量大的情況下，不需要針對具體的目標設定不同的特征進行多類目標的檢測，且符合人腦視覺信息處理過程，使得其更加接近人工智能，因此基于視覺的深度學習的多目標檢測成為研究的熱點之一。為此，結(jié)合無人車環(huán)境的具體應用，研究如何利用基于視覺的方法對復雜路面情況實現(xiàn)多目標檢測，提出具有準

2、確率和魯棒性的多目標檢測算法。本研究主要內(nèi)容包括：
　?、艦榱颂岣叨嗄繕藱z測的處理速度，減少無關信息的干擾，根據(jù)無人車的行車參數(shù)，從標定好的車載攝像頭拍攝的圖像中確定感興趣區(qū)域，并使用基于區(qū)域的方法而非滑動窗口作為目標檢測器，提出一種結(jié)合分割和視覺注意機制的目標區(qū)域提取算法。該算法從全局的角度對圖像進行了不同區(qū)域的劃分，然后從局部的角度計算了每個區(qū)域的顯著性信息值得到了候選目標區(qū)域。對于顯著性，提出了一種新的計算信息值的方法。為了

3、提高視頻的處理速度，結(jié)合多幀信息對候選區(qū)域進行了預測。該算法與最新的區(qū)域提取算法相比在速度上有顯著的提高，且只生成了一個目標獨立范疇窗口少于三十個的目標候選集，降低了時間復雜度，滿足了實時性和精度要求。
　?、茷榱耸沟枚嗄繕说奶卣鞅磉_更加接近人工智能，模擬生物視覺處理信息過程，提出一種結(jié)合稀疏性、顯著性、局部性和深度特性的多目標檢測算法。該算法首先將目標候選區(qū)域用非負稀疏局部線性編碼對圖像進行編碼得到稀疏性和局部性特征，然后對該特

4、征進行顯著池化得到比較顯著的特征，將該過程類似神經(jīng)網(wǎng)絡過程進行重復處理，得到具有深度特性的特征使得特征表達更加抽象，將有利于目標的判別。對于最后一層的輸出使用高斯金字塔的顯著池化，得到統(tǒng)一的特征維度可以忽略輸入的尺寸。最后將特征用分類器判斷候選目標區(qū)域是否為當前幀的目標區(qū)域。
　　⑶編程實現(xiàn)結(jié)合分割和視覺注意機制的區(qū)域提取算法和結(jié)合稀疏性、顯著性、局部性和深度特性的多目標檢測算法，實驗結(jié)果表明，針對光照的變化、擁擠的交通這樣復雜環(huán)