论文部分内容阅读
路况识别是日益发展的自动驾驶技术中的关键环节,其作用是把车辆驾驶环境中待识别的障碍物从复杂的背景中识别出来并加以定位,为车辆后续的分析决策提供前导信息。在路况识别中,对行人与车辆的检测尤其获得了广泛的关注。本文以自动驾驶车辆为研究对象,重点研究了驾驶环境中行人与车辆的检测问题。在目前的路况识别技术中,对驾驶环境信息的获取主要是基于可见光的成像系统。然而,基于可见光的成像系统受天气与光线的影响较大,在天气恶劣,光照较差的环境中,难以清晰的成像,从而给环境中行人与车辆的检测带来严重干扰。本文以光照条件较差环境下行人与车辆的检测为研究方向,做了以下工作:1)采用基于近红外的成像系统,构建了较为完备的驾驶环境数据库。本文通过采用主动式近红外成像技术来获取车辆驾驶环境信息,解决了在光照条件较差环境下对车辆行驶环境清晰成像的难题。为了训练并测试算法模型,本文采集了光照较差环境下不同场景的驾驶环境信息,对获得的图像中的行人与车辆进行了有效标注,构建了较为完备的行人车辆数据集。2)提出了基于背景分割的目标候选区域生成算法。利用在近红外图像中,反射红外线的物体明显高亮于四周的背景环境这一特点,本文提出了一种通过阈值分割来剔除图像中的背景区域,减少需要遍历的图像范围来获取目标可能位置的算法。通过使用提出的分解计算改进传统阈值分割算法,既利用了图像的多维灰度信息又不使算法时间复杂度过高。本文通过调整选择性搜索算法的相似度计算函数使之能适用于近红外图像来获取图像目标的可能位置。3)提出了一种自适应尺度感知目标检测模型。目标与成像系统的远近导致了目标在图像上的大小比例不同。不同空间尺度的目标可能表现出明显不同的特征,从而给目标检测带来挑战。针对这一问题,本文提出了一种分治思想,在检测模型中内置多个子网络,自适应的检测不同尺度的目标。通过定义针对目标像素高度的门函数,使目标能自适应的被相应的子网检测。为了提高检测速度,构造基于全图的卷积神经网络,检测子网络共享整幅图像的卷积特征。