卷积神经网络在无人驾驶中行人检测中的应用

3.0 闻远设计 2024-03-11 87 4 585KB 8 页免费

侵权投诉

来源：信息技术作者：付友,左迅,杨凡

发布于：2021-07-15 共5531 字

本篇论文目录导航：

【第 1-2 篇】卷积神经网络论文（名师推荐

篇）

【第 3篇】一种基于卷积神经网络的车牌识别技术

【第 4 篇】卷积神经网络在无人驾驶中行人检测中的应用

【第 5篇】卷积神经网络和迁移学习理论下癫痫发作状态识别模型的构建

【第 6篇】基于注意力机制的安全帽检测卷积神经网络建立

卷积神经网络论文范文第四篇：卷积神经网络在无人驾驶中行人检测中的应用

　　摘要：随着近年来 5G 与人工智能的崛起，无人驾驶技术在不断突破，行人检测作为无人

驾驶中的重要任务之一，是一个具有重要研究意义的课题。文中采用深度学习框架 Pytorch 和

目标检测网络 YOLO 进行行人检测，分别搭建了 YOLO v3、YOLO v3 轻量版 YOLOv3-

Tiny、YOLO v3 与SPP-Net 融合版本 YOLOv3-SPP 行人检测平台，并对小型目标和大型目标识

别进行了详细的测试对比。测试结果表明，YOLO v3 和YOLOv3-SPP 平均置信度较高；

YOLOv3-Tiny 实时性较高，适用于计算量小的行人识别场景。

作者简介：付友（1988-），男，本科，工程师，研究方向为智能识别和神经网络。；*杨

凡（1983-），男，博士，副教授，研究方向为人工智能技术。；

　　关键词：行人检测；深度学习；目标检测；卷积神经网络；

基金：重庆市基础科学与前沿技术研究专项面上项目基金资助项目（cstc2019jcyj-

msxmX0233）；重庆市教育委员会科学技术研究计划（KJQN201901125）；国家电网公司科技

项目资助（SGCQSQ00BGJS2000453）；

Abstract:With the rise of 5 G and artificial intelligence in recent years, unmanned driving technology

is constantly making breakthrough. Pedestrian detection is one of the important tasks of unmanned

driving, and it is an important research topic.This project will use deep learning framework Pytorch

and target detection network YOLO for pedestrian detection, YOLO v3, YOLO v3 lightweight version

YOLOv3-Tiny, YOLO v3 and SPP-Net fusion version YOLOv3-SPP are establised to test and being

compared in terms of small and large targets. Experiment results show that YOLO v3 and YOLO v3-

SPP has higher average confidence, while YOLOv3-Tiny has a low real-time performance which suits

the pedestrian recognization situation of a small amount of calculation.

Keyword:pedestrian detection; deep learning; target detection; convolution neural network;

　　 0　　引言

随着科技的进步，交通工具愈来愈发达，人们出行也更加便利，但与此同时也带来了许多安全

隐患，安全事故频频发生，造成这一现象的直接原因是疲劳驾驶、酒后驾驶等。究其根本原因

是驾驶员不能及时准确判断道路状况以及不能在发生紧急状况时采取最优措施。因此，为了减

少交通事故的发生，出现了无人驾驶系统，利用计算机快速、稳定、准确的计算能力，在车辆

行驶过程中提供安全行驶保障，极大地降低了交通事故的发生率。

在无人驾驶系统中，行人检测是一大关键点。不仅要检测出前方行人的数量和距离，还要检测

出行人的具体位置，为驾驶系统中央处理器提供可靠的数据，以此采取措施，保证车辆的安全

通行，同时也保证了行人的安全。行人检测属于目标检测的分支。如今目标检测已经成为越来

越热门的方向，它可以被广泛应用于工业产品检测、智能导航、安防监控等各个实际应用领

域，帮助政府机关和广大企业提高工作效率，实现"向科技要人力".

　　 1　基于深度学习卷积神经网络模型

目前，行人检测方案主要分为两类。第一类方案是基于背景建模，首先找出前景运动的目标，

然后根据特定区域进行特征提取，然后利用分类器进行分类，判断出是否有行人，但该方法主

要存在以下问题：① 环境变化大，例如光照会对图像色度造成影响；② 当画面中出现密集的

目标时，检测效果急剧下降；③分类器必须对背景物体的改变做出正确的判断，而不能将其分

类为目标物体。第二类方案是基于统计学习的方法，这是目前行人检测常用的方法，根据提前

准备好的大量的行人样本以及对应标签构建行人检测分类器，主要代表有深度学习。目前深度

学习在行人检测方向有大量应用，主要分为一阶检测和二阶检测，二阶检测比一阶检测先提

出，主要有算法生成一系列样本并作为候选框，再利用卷积神经网络分类，主要代表有 R-

CNN[1]、Fast R-CNN[2,3]、Faster R-CNN[4,5].而一阶检测是直接回归预测目标的类别和位置坐

标信息，精度相对二阶检测略低，但速度更快，主要代表有 YOLO[6]系列和SSD[7].

行人检测从传统检测方法到深度学习的应用，在准确率和计算量上，都有了较大的改善。从

Two-Stage 系算法代表作 R-CNN、Fast R-CNN、Faster R-CNN 到One-Stage 系算法代表作

SSD、YOLO,甚至是近两年的 SqueezeNet[8]和MobileNet[9],无论是在准确率、实时性还是模型

轻量化程度上，都有了突破性的进展[10,11].在SSD 和YOLO 算法出现以前，虽然目标检测的

准确率比较可观，但实时性还不能达到要求。表 1为不同方法在PASCAL_VOC 数据集上的实

验结果。

表1 不同方法在VOC 2007 数据集上的实验结果对比

考虑到行人检测在工程应用中对实时性要求较高，本文采用 YOLO 算法实现行人检测。目

前，YOLO 系列算法一共发布了三个大版本，即YOLO v1、YOLO v2、YOLO v3,也发布了一

些派生版本，例如 YOLOv3-Tiny、YOLOv3-SPP.YOLOv3-Tiny 是在 YOLO v3 的基础上，裁减

了特征提取网络中的一些特征层，在速度上更快，但精度有所降低。YOLOv3-SPP 是YOLO v3

与SPP-Net[12]网络的融合。本文采用深度学习框架 Pytorch 和目标检测网络 YOLO 实验了行人

检测系统，并分别搭建了 YOLO v3、YOLO v3 轻量版 YOLOv3-Tiny、YOLO v3 与SPP-Net 融

合版本 YOLOv3-SPP 行人检测平台，并对小型目标和大型目标识别进行了详细的测试对比。

　　 2　实验与分析

2.1 实验系统设计

本文将采用深度学习框架 PyTorch 进行 YOLO v3 整体目标检测网络结构搭建。具体做法是：首

先通过人工使用LabelImg 软件对行人数据集进行行人标注，然后从YOLO 官网下载三个网络

结构 cfg 文件，通过PyTorch 提供的内置库函数，将三种网络结构信息 cfg 文件进行解析，并搭

建出深度学习模型，其次将图片进行数据增强等预处理操作，按批次送入网络进行前向传播和

反向传播训练，最后得到模型的权重文件。利用 OpenCV 提供的解析深度学习模型的接口

DNN,加载训练好的模型，通过输入图片和笔记本电脑内置摄像头进行测试。整体设计框架，

如图 1所示。

2.2 行人检测效果测试

本节将在CPU 为i5-6300HQ、GPU 为GTX960M 的笔记本电脑进行本文纵向与横向的测试对

比，即分别在单独使用CPU 和GPU 加速的情况下对 YOLO v3、YOLOv3-Tiny、YOLOv3-SPP

网络进行输入图片和摄像头测试，其中图片测试分为小型目标和大型目标测试，并将测试结果

进行准确率、测试速度对比。具体采用 OpenCV 提供的DNN 深度学习模块对训练好的模型进

行加载。DNN 模块最早来自Tiny-dnn, 可以加载Caffe 预训练模型数据，OpenCV 在3.3 版本中

将DNN 模块迁移到OpenCV 正式发布模块中，并扩展支持包括 Tensorflow、PyTorch 和Caffe

等所有主流的深度学习框架。本文也将采用 DNN 模块对模型进行数据加载测试。

图1 系统整体设计框架

文档加载中……请稍候！
如果长时间未打开，您也可以点击刷新试试。

下载文档到电脑，查找使用更方便

免费 4人已下载

立即下载

摘要：

卷积神经网络在无人驾驶中行人检测中的应用来源：信息技术作者：付友,左迅,杨凡发布于：2021-07-15共5531字本篇论文目录导航：【第1-2篇】卷积神经网络论文（名师推荐6篇）【第3篇】一种基于卷积神经网络的车牌识别技术【第4篇】卷积神经网络在无人驾驶中行人检测中的应用【第5篇】卷积神经网络和迁移学习理论下癫痫发作状态识别模型的构建【第6篇】基于注意力机制的安全帽检测卷积神经网络建立卷积神经网络论文范文第四篇：卷积神经网络在无人驾驶中行人检测中的应用　　摘要：随着近年来5G与人工智能的崛起，无人驾驶技术在不断突破，行人检测作为无人驾驶中的重要任务之一，是一个具有重要研究意义的课题。文中采用...

展开>> 收起<<

卷积神经网络在无人驾驶中行人检测中的应用.docx

共8页,预览3页

还剩页未读，继续阅读

卷积神经网络在无人驾驶中行人检测中的应用

相关推荐

开通VIP享超值会员特权

作者详情

相关内容

推荐作者

热门标签

举报选择: