基于区域生成网络的自动驾驶系统行人检测算法实现

摘要

随着自动驾驶汽车日渐风靡，自动驾驶汽车的安全性也逐渐成为人们关注的焦点。自动驾驶汽车在道路行驶时，不仅要对车辆使用者的安全负责，还要实时对周围环境进行感知，对其他道路使用者的安全负责。行人作为道路使用者之一，能否快速地被检测出来直接关系到自动驾驶汽车的普及和推广。为此，本文对faster RCNN进行简化，使用VGG-16网络和ZF网络分别基于区域生成网络模型实现了行人检测。 本文算法将行人检测问题视为二分类问题进行解决，将行人目标视为前景，非行人区域视为背景。首先，对预训练模型VGG-16网络和ZF网络结构以及资源占用量进行分析，对资源占用量较大的层进行删减或修改等操作，降低了网络模型大小。然后，使用修改后的预训练模型实现了基于区域生成网络的模型训练，并分别实现卷积权重和特征提取效果图的可视化分析，预估了算法的检测能力。接着，使用本文算法分别就Caltech Pedestrian Dataset和自拍摄数据集样张进行随机抽取，实现了检测结果展示。然后，探究了训练参数、非极大抑制等因素对检测结果的影响，并使用Caltech Pedestrian Dataset的set00~set03作为训练集，Daimler Mono Ped. Detection Benchmark Data Set的子集作为测试集，实现了算法稳定性测试。最后，使用官方统一评价指标就本文算法和主流算法在Caltech Pedestrian Dataset上的检测结果进行了对比分析。 实现结果显示，本文Ped-VGG16算法在Caltech Pedestrian Dataset上将漏检率（FPPI=10-1）降低到了16.9%，Ped-ZF算法降低到了33.83%，并且分别将时间降低到了0.14s和0.05s。实验结果表明，两种算法的性能优于大多数主流算法，并且Ped-ZF算法基本达到了实时检测行人的目标。

目录

第一个书签之前