原文传递
基于深度学习的行人检测与轨迹预测
| 论文题名： | 基于深度学习的行人检测与轨迹预测 |
| 关键词： | 智能驾驶;行人检测;目标跟踪;轨迹预测;深度学习 |
| 摘要： | 近些年来，深度学习技术发展呈现出爆炸式增速，在人工智能方面的应用也极其多样。智能驾驶技术方面也因此取得了飞速发展，但是由于目前很多智能车辆对于复杂环境的处理能力较弱，无人驾驶多数在保证安全的前提下，采取的措施较为保守，对驾驶舒适性和车辆性能有很大影响，与实际生活中的驾驶模式相差较大，并容易在高密度的城市道路环境中制造道路拥挤。倘若可以准确感知行人并进一步预测其未来轨迹，将成为解决以上问题的关键。本文重点研究了对行人目标的检测，以及轨迹预测，主要内容如下： 第一、对卷积神经网络YOLO算法进行相关研究，以此作为网络模型的基础，通过分析YOLO优缺点，针对其在小目标行人检测效果较差和漏检率方面较高的情况做出优化，显著降低漏检率，提升网络性能。 第二、对于目标行人的跟踪，使用基于Simple Online and Realtime Tracking(SORT)基础上加入Deep Appearance Descriptor的目标跟踪算法Deep-sort，该算法在跟踪效果上更加精准的完成了对于目标的跟踪，因此本文使用Deep-sort作为跟踪框架，并着重分析其卡尔曼滤波的设置和匹配机制的合理性，实验结果也表明其具有更好的跟踪效果。 第三、引用Alphapose读取关键骨骼点的位置信息，提出一种融入Alphapose人体骨架信息的LSTM行人轨迹预测模型，改进传统轨迹预测中将行人看成质点的问题，基于所提出的结构，进行实验，在相同的数据集ETH和UCY中，与同为行人检测算法的LSTM和S-LSTM进行横向比较，最终取得了较好的表现。 |
| 作者： | 许凡 |
| 专业： | 车辆工程 |
| 导师： | 朱波;王泽兴 |
| 授予学位： | 硕士 |
| 授予学位单位： | 合肥工业大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
