[發(fā)明專(zhuān)利]一種基于改進(jìn)YOLOv2的無(wú)人駕駛中行人檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201810675999.8
• 申請(qǐng)日: 2018-06-27
• 公開(kāi)（公告）號(hào): CN108985186B
• 公開(kāi)（公告）日: 2022-03-01
• 發(fā)明（設(shè)計(jì)）人: 石英;羅佳齊;李振威
• 申請(qǐng)（專(zhuān)利權(quán)）人: 武漢理工大學(xué)
• 主分類(lèi)號(hào): G06V40/10
• 分類(lèi)號(hào): G06V40/10;G06V10/762;G06V10/764;G06V10/82;G06K9/62
• 代理公司: 湖北武漢永嘉專(zhuān)利代理有限公司 42102
• 代理人: 許美紅

1.一種基于改進(jìn)YOLOv2的無(wú)人駕駛中行人檢測(cè)方法，其特征在于，該方法包括以下步驟：

S1、獲取用于行人檢測(cè)的KITTI數(shù)據(jù)集，采用YOLOv2網(wǎng)絡(luò)對(duì)數(shù)據(jù)集進(jìn)行訓(xùn)練，將YOLOv2網(wǎng)絡(luò)的輸出設(shè)置為行人和非行人兩類(lèi)，對(duì)KITTI數(shù)據(jù)集的行人標(biāo)定框長(zhǎng)和寬進(jìn)行kmeans聚類(lèi)，并將聚類(lèi)測(cè)度設(shè)置為IOU測(cè)度；訓(xùn)練時(shí)，通過(guò)對(duì)數(shù)據(jù)集進(jìn)行擴(kuò)充，并采用OHEM方法從含有大量非行人的候選樣本的數(shù)據(jù)集中選擇行人樣本進(jìn)行訓(xùn)練，得到訓(xùn)練模型；

S2、通過(guò)車(chē)載攝像頭獲取捕捉視頻，從視頻中提取每一幀的待檢測(cè)圖像作為改進(jìn)的YOLOv2網(wǎng)絡(luò)的輸入，并將訓(xùn)練模型導(dǎo)入改進(jìn)的YOLOv2網(wǎng)絡(luò)，初步檢測(cè)出的行人的位置信息和概率，得到包含行人初步檢測(cè)結(jié)果的建議框；最后對(duì)其中的行人目標(biāo)區(qū)域的建議框進(jìn)行篩除，利用非極大值抑制得到最終行人檢測(cè)框；

步驟S1中通過(guò)KITTI數(shù)據(jù)集對(duì)YOLOv2網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行訓(xùn)練的方法具體為：

S11、針對(duì)行人檢測(cè)改進(jìn)原始YOLOv2網(wǎng)絡(luò)結(jié)構(gòu)：對(duì)原始的YOLOv2網(wǎng)絡(luò)，將其多類(lèi)輸出修改為行人和非行人兩類(lèi)輸出，網(wǎng)絡(luò)每個(gè)候選框同時(shí)對(duì)應(yīng)兩類(lèi)輸出；

S12、對(duì)行人標(biāo)定框的長(zhǎng)和寬進(jìn)行聚類(lèi)分析：對(duì)KITTI數(shù)據(jù)集的行人標(biāo)定框長(zhǎng)和寬進(jìn)行kmeans聚類(lèi)，并將聚類(lèi)結(jié)果作為先驗(yàn)；將聚類(lèi)測(cè)度設(shè)置為IOU測(cè)度，IOU測(cè)度為聚類(lèi)中心與各個(gè)標(biāo)定框的重疊區(qū)域占聚類(lèi)中心和標(biāo)定框所占區(qū)域之和的比值，并根據(jù)平均IOU選擇設(shè)定數(shù)量的聚類(lèi)中心作為初始候選框；

S13、通過(guò)數(shù)據(jù)擴(kuò)充和OHEM策略訓(xùn)練修改后的YOLOv2網(wǎng)絡(luò)：在訓(xùn)練時(shí)，通過(guò)翻轉(zhuǎn)圖片將數(shù)據(jù)集擴(kuò)充一倍以增加樣本數(shù)量，并且在原始YOLOv2網(wǎng)絡(luò)的基礎(chǔ)上采用OHEM方法，對(duì)非行人的候選樣本，按改進(jìn)的YOLOv2網(wǎng)絡(luò)中間層輸出的樣本屬于背景的概率大小排序，從中選取行人樣本進(jìn)行訓(xùn)練，得到訓(xùn)練模型；

步驟S2中對(duì)車(chē)載攝像頭捕捉視頻用改進(jìn)的YOLOv2網(wǎng)絡(luò)進(jìn)行行人檢測(cè)的方法具體為：

S21、通過(guò)改進(jìn)的YOLOv2初步檢測(cè)行人：首先通過(guò)車(chē)載攝像頭捕捉視頻，將視頻中的每一幀作為YOLOv2網(wǎng)絡(luò)的輸入，并將訓(xùn)練模型導(dǎo)入YOLOv2網(wǎng)絡(luò)并運(yùn)行網(wǎng)絡(luò)，初步檢測(cè)出的行人的位置信息和概率；

S22、對(duì)部分不可能包含行人的目標(biāo)區(qū)域建議框進(jìn)行篩除：根據(jù)行人目標(biāo)的特殊性，依據(jù)區(qū)域建議框的長(zhǎng)寬比α和區(qū)域面積s進(jìn)行篩選；對(duì)標(biāo)定框長(zhǎng)寬比和區(qū)域面積使用kmeans算法進(jìn)行聚類(lèi)，再根據(jù)選取的聚類(lèi)中心對(duì)檢測(cè)出的候選框進(jìn)行篩選；

S23、非極大值抑制得到最終行人檢測(cè)框：對(duì)于步驟S22中篩選過(guò)后的行人檢測(cè)框進(jìn)行非極大值抑制，目標(biāo)檢測(cè)中的非極大值抑制從候選建議框中優(yōu)選出最終位置框。

2.根據(jù)權(quán)利要求1所述的基于改進(jìn)YOLOv2的無(wú)人駕駛中行人檢測(cè)方法，其特征在于，步驟S1中進(jìn)行數(shù)據(jù)集擴(kuò)充的方法為：對(duì)KITTI數(shù)據(jù)集中的圖片，通過(guò)翻轉(zhuǎn)圖片將數(shù)據(jù)集擴(kuò)充一倍。

3.根據(jù)權(quán)利要求1所述的基于改進(jìn)YOLOv2的無(wú)人駕駛中行人檢測(cè)方法，其特征在于，步驟S23中進(jìn)行非極大值抑制的方法具體為：

(1)對(duì)所有篩選之后的候選建議框，依據(jù)對(duì)應(yīng)的置信度得分進(jìn)行排序，選取得分最高的候選建議框；

(2)遍歷剩余的建議框，若和所選取得分最高的候選建議框的重疊率大于設(shè)定閾值，則刪除對(duì)應(yīng)建議框；

(3)從剩余未處理的建議框中重新選取得分最高的建議框，重復(fù)步驟(2)，直至所有建議框均被處理完成，輸出最終得到的行人檢測(cè)框。