车载视频下行人检测与目标跟踪算法研究

发布时间：2025-05-20 05:39

　　车载视频下行人检测与目标跟踪技术是智能驾驶系统中的重要组成部分,该技术可帮助驾驶员实时掌握车辆附近的行人及其运动信息,提前发现可能出现交通事故的行人以保障交通安全。现有行人检测与目标跟踪算法虽然满足实时性要求,但是算法精度低且算法研究不能直接用于解决实际问题。同时,由于行人个体差异大、运动不规则、环境复杂和计算资源有限等内外在因素,现有算法运用于实际问题时在精确度上的表现仍有较大差距。在福建省重点科技项目(2017H6009)的支持下,本文在保证算法实时性的前提下,就如何提高行人检测和目标跟踪的精度展开研究,并针对车载场景采用了多种方法提升算法的性能。本文的具体研究内容如下:一、提出基于深度框架多策略优化的行人检测算法。在交通环境下,本文针对传统行人特征鲁棒性弱而导致的行人检测精度低、误检高的问题,提出基于深度神经网络的行人检测方法。该方法结合车载视频和行人特点,通过选择规范合理的行人数据、调整深度网络的结构、优化网络输入尺寸和行人数据扩增这四项优化策略提升深度网络在车载视频下的行人检测性能。在车载行人数据集上实验表明,改进后的深度模型行人检测精度比原模型提升13.4%,与当前代表性的行...

【文章页数】：79 页

【学位级别】：硕士

【文章目录】：
中文摘要
Abstract
第一章 引言
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 行人检测研究现状
        1.2.2 目标跟踪研究现状
    1.3 存在问题及技术难点
    1.4 本文研究的主要内容
    1.5 本文章节的结构安排
    1.6 本章小结
第二章 行人检测与目标跟踪相关理论
    2.1 行人检测相关理论
        2.1.1 梯度方向直方图
        2.1.2 滑动窗口选择
        2.1.3 支持向量机
        2.1.4 基于HOG+SVM的行人检测
        2.1.5 深度学习相关理论
    2.2 目标跟踪相关理论
        2.2.1 相关滤波基础
        2.2.2 核相关滤波跟踪算法基本原理
    2.3 本章小结
第三章 多优化策略的深度学习行人检测算法
    3.1 引言
    3.2 多策略优化深度模型的行人检测算法
        3.2.1 YOLO目标检测方法
        3.2.2 行人数据集选择策略
        3.2.3 优化网络输入尺寸
        3.2.4 尺度比例调整策略
        3.2.5 行人数据增广策略
    3.3 行人数据集与算法性能评价标准
        3.3.1 行人数据集
        3.3.2 行人检测算法评价标准
    3.4 实验结果与分析
        3.4.1 基准实验
        3.4.2 车载行人数据集的泛化性能对比
        3.4.3 多策略提升深度模型性能
        3.4.4 深度检测框架综合性能对比
    3.5 本章小结
第四章 背景感知与尺度自适应的相关滤波跟踪算法
    4.1 引言
    4.2 背景感知和尺度自适应的目标跟踪算法设计
        4.2.1 多特征融合相关滤波跟踪器
        4.2.2 背景感知的核相关滤波器
        4.2.3 尺度自适应跟踪器
        4.2.4 背景感知与尺度自适应跟踪算法流程
    4.3 实验结果与分析
        4.3.1 数据集及评价标准
        4.3.2 目标位置跟踪性能对比实验
        4.3.3 目标尺度估计性能对比试验
        4.3.4 综合性能对比实验
        4.3.5 跟踪实例分析
    4.4 本章小结
总结与展望
参考文献
致谢
个人简历、在学期间的研究成果及发表的学术论文



本文编号：4046935