面向车辆辅助驾驶的行人检测算法设计

摘要

行人检测是计算机视觉中的热门研究话题，近年来，随着卷积神经网络（Convolution Neural Networks,CNN）的兴起，各种基于卷积神经网络的检测算法层出不穷。现今道路上车辆越来越多，随之而来的行人安全问题也越来越突出，面向车辆辅助驾驶的高性能行人检测算法能有效提醒驾驶员前方及周边是否有行人，对于降低车祸发生概率具有重要的实际意义。将设计的基于卷积神经网络的行人检测算法在硬件系统上进行验证，能为面向车辆辅助驾驶的低成本行人检测系统解决方案开拓思路。 本文重点分析基于卷积神经网络的目标检测算法原理，去除其冗余的分类结构，得到专用于行人检测的神经网络，由于该网络参数较多，总体计算复杂度较高，须对网络进行精简以适于在车辆辅助驾驶场景下应用。本文分两方面进行精简：一方面，仿照二值神经网络（Binaried Neural Network，BNN），二值化该网络的卷积核参数及卷积层输入，能有效减少网络所占内存大小，加快卷积计算；另一方面，对该网络内部结构进行适当的裁剪和替换，能有效减少网络参数，降低整体计算量。分别对两个精简网络进行训练并测试，选择其中较好的网络在硬件系统中实现，并在MATLAB上对其进行参数定点化模拟仿真，确定各参数所需的精度，最后在嵌入式硬件系统上设计并配置视频输入输出模块、数据传输模块，设计卷积加速模块并仿真，以实现行人检测算法的验证。 衡量行人检测算法检测精度的方法为在平均每张图片错误检测数（False Positives Per Image，FPPI）为0.1的前提下，漏检率（Miss Rate，MR）越低，检测速度越快，算法性能越好。本文设计的算法在INRIA行人数据集上进行测试，MR低至19%（FPPI=0.1），在图形处理器（Graphics Processing Unit，GPU）的支持下，检测速度能达到66.7帧/s。与参考的行人检测算法相比，检测精度和速度的综合性能更优。在嵌入式开发板上实现的行人检测硬件系统，验证了算法在嵌入式系统中实施的可行性。

目录

第一个书签之前

摘要

Abstract

目 录

第一章 绪论

1.3 研究内容与设计指标

1.3.2 设计指标

1.4 论文组织结构

第二章 行人检测算法综述

2.2.1 基于Haar特征的行人检测

2.2.2 基于HOG特征的行人检测

2.3 基于卷积神经网络的行人检测算法

2.3.1 卷积神经网络结构

2.3.2 卷积神经网络的训练方法

2.3.3 卷积神经网络在行人检测中的应用

2.4 常用行人数据集及评测标准

2.4.2 行人检测算法检测精度评测标准

2.5 本章小结

第三章 基于YOLO的行人检测算法设计

3.1.1 数据集预处理

3.1.2 网络结构

3.1.3 预测框信息表示形式

3.1.4 损失函数的构成

3.1.5 非极大值抑制算法

3.2.1 二值卷积神经网络的二值化方法及优势

3.2.3 二值卷积神经网络的卷积操作设计

3.3 YOLO_personMini的设计

3.3.1 YOLO_personMini的优化方法

3.3.2 三种网络的性能测试与分析

3.3.3 YOLO_personMini的参数定点化建模仿真

3.4 本章小结

第四章 基于YOLO_personMini的Zynq系统设计

4.1.3 Vivado开发工具及设计流程

4.2 行人检测的Zynq系统总体设计

4.2.2 总线互联结构

4.3 PS端的设计

4.3.2 DMA中断设计

4.3.3 收发逻辑设计

4.4 PL端的设计

4.4.2 视频输出模块设计

4.4.3 数据传输模块设计

4.4.4 卷积加速模块设计

4.5 本章小结

第五章 实验结果分析

5.2 实验结果分析

5.2.1 功能测试及分析

5.2.2 性能测试及分析

第六章 总结与展望

6.2 不足与展望

致谢

参考文献

攻读硕士期间的成果