论文部分内容阅读
如今无人驾驶技术逐渐得到广泛的关注,目前针对无人驾驶技术的研究都是着力于调通各个职能模块、优化智能算法以及最后无人驾驶汽车的落地。行人检测技术作为其中重要的组成部分,广大科研工作者及汽车制造商也逐渐重视,并且提出了许多优秀的识别算法。行人作为道路环境中的主要目标之一,故对行人检测算法及其安全性研究具有十分主要的意义。本文针对光照程度和Tiny-YOLOv3网络简单而导致的漏检误检问题,提出了Tiny-Scale3-YOLOv3行人检测算法;本文针对无法充分利用行人交互信息进行轨迹预测的问题,提出了一种AS-GAN行人轨迹预测算法;本文设计了行人检测和轨迹预测系统,来演示通过行人检测算法得到检测的行人位置结果,以及行人轨迹预测算法得到预测的行人轨迹。本文主要研究工作包含三部分,如下所述:(1)针对无人驾驶系统可实时检测车辆周身环境中行人目标的要求,行人不同姿态及服饰、环境明暗程度以及行人作为小目标而存在漏检的问题,提出了Tiny-Scale3-YOLOv3行人检测算法。结合对图像的预处理,包括灰度化处理、对比度处理、局部剪切后使用图像分辨率增强,以适应不同光照程度,对Tiny-YOLOv3网络结构进行优化,对采集的图像分全局检测和局部检测两步,同时进行检测,再将两次检测的结果融合,以提高行人检测的精度。实验证明,第三章提出的方法精确度高于对比模型,并且具有较好的实时性。同时对算法的损失进行分析,具有较好的稳定性及鲁棒性,可保障算法安全性。(2)针对社会生成对抗网络(S-GAN)无法充分利用行人交互信息的问题,提出了基于注意力机制的社交生成对抗网络(AS-GAN)行人轨迹预测算法。借鉴生成式对抗网络的网络结构,保留了S-GAN提出的“社交池模块”,学习全局的池化结果,并且可以使LSTM之间共享信息,同时结合注意力机制,改进了S-GAN融合周围行人信息在时间上的要求,在每一个时刻都可以融合信息,并且对周围行人的位置信息进行选择,只融合对当前行人有意义的位置信息,提升模型的表现能力,进而建立可以精确刻画人与人之间交互行为的行人轨迹预测模型。实验证明,第四章的方法预测精度高于对比模型。同时对算法的损失进行分析,具有较好的稳定性及鲁棒性,可保障算法安全性。(3)设计了行人检测和轨迹预测系统,其中行人检测系统功能部分,可通过选择摄像头捕获的图片或视频文件,实时检测行人的位置,并给出置信度,从而让无人驾驶系统做出及时的反应。行人轨迹预测系统功能部分,选择现有的数据集,可给出观测目标后续的运动轨迹,以供无人驾驶系统参考,提前规划好运动轨迹避让行人,以免发生安全事故。