[发明专利]基于神经网络面向汽车辅助驾驶的行人检测方法

说明书

本发明公开了一种基于神经网络面向汽车辅助驾驶的行人检测方法，包括：A、提出一种基于概率模板匹配的远红外行人检测方法。根据行人的运动朝向建立多尺度概率模板，缓解因外观模式引起的行人类内方差较大的问题；B、从ROIs提取的角度出发，利用图像梯度信息对可能包含行人的竖直带状图像区域进行初定位；C、提出一种Boosting‑style的归纳迁移学习算法，对行人检测方法在场景因素变化较大时表现得也能理想；采用优化对比法获取最优检测结果，能根据实际需要情况而设定不同的检测网络与训练机制，灵活度高且动态性能好。本发明属于检测算法优化方法。

技术领域

本发明属于检测算法优化方法，是一种基于神经网络在特殊场景下的行人检测方法。

背景技术

面向 ADAS 的行人检测，需实时准确地检测出车辆前方的行人及其位置，并对可能存在的事故隐患进行判断，从而采取适当的预防措施。而在面向 ADAS 的远红外行人检测系统中，测试场景可能会随着气候、动态背景和众多道路交通参与者等因素而产生较大的变化，甚至趋向于复杂化，并且由于行人目标呈现出较强的非刚体特性，其外观模式容易受到运动姿态、衣着多样化（如影响红外热辐射的反射率与透射率）、成像尺度、成像视角、遮挡和复杂背景等因素的影响，通常存在类内和类间变化多样化的特点。

发明内容

为了解决上述技术问题，本发明的目的是：提供一种检测精度高和检测速率好的基于神经网络面向汽车辅助驾驶的行人检测方法。

本发明解决其技术问题所采用的技术方案是：

基于神经网络面向汽车辅助驾驶的行人检测方法，包括：

A、搭建了面向汽车辅助驾驶的行人检测的实验数据采集与测试平台；

B、基于局部区域搜索的 ROIs 提取降低搜索开销；

C、以基于faster rcnn的区域候选网络RPN进行行人初精准定位；

D、在分类器的离线训练环节，确定以迭代进行优化的训练机制，获得更为鲁棒的行人分类器。

进一步，所述基于神经网络面向汽车辅助驾驶的行人检测方法的最优检测结果包括最优检测精度、最优检测速度。

进一步，所述步骤A，其包括：

A1、行人样本及其预处理，将行人样本集划分为多个子类；

A2、提出一种高效准确的 ROIs 提取方法，该方法包含预分割和 ROIs 产生两个环节；

A3、采用基于faster rcnn的区域候选网络RPN直接从卷积步骤图上从大量的位置与大小均不定的窗口中得出最有可能是物体的窗口，以减轻后面窗口分类器的运算负担；

A4、根据迭代训练机制搜索并有效利用表征背景目标的“困难”训练数据，这些数据能够保证比随机选取的训练数据获得具有更好泛化能力的行人分类器。

参照图2，进一步作为A1优选的实施方式，所述步骤A1，其包括：

A1-1、根据数据集中行人最小外接矩形的高度分布规律，将训练样本集划分为三个互不相交的训练子集：高度大于64 个像素的样本被划分为近景目标，并进行尺度调整至 32像素×80 像素；高度小于 32 个像素的样本被划分为远景目标，并进行尺度调整至 12 像素×32 像素；余下的样本则归类到中景目标，并进行尺度调整至 24 像素×64 像素；

A1-2、将所有行人区域通过插值调整至 40 像素×96 像素，并以区域的灰度均值作为对其进行 0-1 二值化时的动态阈值，以凸显行人的高亮像素区域；