无人驾驶汽车对行人检测系统的分析和开发_开题报告

文献综述

无论是国外的科技巨头谷歌，特斯拉还是国内的百度或者滴滴已经围绕着无人驾驶汽车项目频繁的出现在新闻类目栏，甚至不久的将来有望实现量产真正的进入人类现代生活。无人驾驶汽车的发展， 不仅仅是代表着最前沿的科学技术水平， 或者更是满足人们对现代汽车技术发展的迫切需求。 公路等级的不断提高， 高速路网的升级换代，汽车行驶速度的大幅提高， 汽车保有量的大量增加， 迫切意味着交通道路系统对人们驾驶技术的要求也越来越高，随着相关技术的成熟和应用，为着更高安全设置的无人驾驶汽车应用而生。

无人驾驶汽车的核心是利用计算机技术，信息技术和智能控制技术来实现完全不依赖人类自主驾驶的系统总成，在相关计算机技术中智能视觉模块占据着很大的一个比重， 行人检测的更是基础又关键的模块之一。本文从无人驾驶汽车的行人检测系统的研究背景和意义出发，阐述行人检测系统计算机部分的应用原理， 国内外发展的现状，行人检测系统的关键技术，行人检测系统的检测方法，行人检测系统的设计和开发， 最后是对监测系统技术发展的个人总结和展望。

无人驾驶汽车的行人检测系统的研究背景和意义

   汽车工业技术的发展和高等级路网建设的展开伴随着对司机驾驶技术的更高要求， 无人驾驶汽车的发展与未来车联网的结合， 可以形成庞大的移动车联网络， 加上现有的智能交通运输提供的道路交通信息，无人驾驶汽车将为更加自由安全的行驶在城市道路环境中， 成为未来智能交通系统的一部分， 可以大幅度提高道路通行能力， 减少公路交通的堵塞和拥挤，进而降低能源消耗。

   作为无人汽车关键运行和安全控制的部分， 行人检测系统从智能交通系统的辅助位置代替人类实现驾驶职能，体现现代科学技术代替人类的一大进步。 

（二）无人驾驶汽车行人检测系统的工作原理

    无人驾驶汽车的行人监控系统应用计算机视觉技术， 通过视频传感器对环境进行数据采集， 获取驾驶环境信息，通过数字图像处理和分析，从视频中提取关键信息， 发现和识别异常的感兴趣事件，进而为各种控制决策提供信息依据。 

（三）无人驾驶汽车行人检测系统国内外发展的现状

行人检测的传统应用主要集中在智能视觉监控，车辆辅助驾驶，静态图像理解和基于视觉的人体行为人分析中，在图像处理学科和计算机视觉学科当中的一个分支，便是运动目标检测和跟踪，其无论是在理论上还是在实践上都有着重大的意义，很长时间以来都备受国内外专家、学者的关注。运动目标检测是对视场内的运动目标，如人或者交通工具，进行实时的检测，并将其分类，然后分析目标的行为。目前，国际上很多高校和研究所都专门设立了针对运动目标检测的研究组或研究实验室，比如麻省理工学院、牛津大学。美国英国的专家已经研究了大量项目，部分成果已经转化为产品投入市场。

在我国，该项工作也得到了重视。自从上个世纪的八十年代末期，中国的视频图像行人检测领域才开始起步。上海交通大学计算机视觉实验室提出了一个通用型的技术来进行人体检测，它几乎不受环境因素的限制，在移动相机视图和多个行人的跟踪方面表现出了与众不同的技术见解。西北工业大学的空中交通管理系统研究所基于智能车辅助驾驶系统设计了这样一种系统：移动中的行人的跟踪和实时检测的系统[11]，可以在固定的现实场景中来检测行人和描绘行人的轨迹场。中国科学院自动化研究所在分析、研究人类行为，智能交通，运动中的模式识别等很多领域拥有自己突出的成果，做出了很大的贡献。

（四）无人驾驶汽车行人检测系统的关键技术

1候选区域确定技术

在监控系统中针对运动的汽车对静止的行人中， 采用减背景法获取运动目标区域，将该区域作业行人检测的候选区域。减背景法的主要思路是将当前帧与背景参考图像相减， 差值较大的像素视为前景法。

在监控系统中针对运动的汽车对运动的行人中，利用立体算法技术来确定候选区域。比如基于Stixel技术的候选区域确定。

2特征提取技术

  行人的特征描述子可以分为三类：底层特征， 基于学习的特征和混合特征。低层特征是指颜色，纹理和梯度等底层的图像特征。目前重用的低层特征描述子有HARR特征，局部二值特征和梯度方向直方图HOG,这三个描述子分别从灰度，纹理和梯度来刻画行人特征。

基于学习的特征是纸机器学习的方法，从大量的行人样本中学习到的行人特征表示。其主要思路是利用BOOSDTING技术进行特征选择， 选择出来的特征可看作是行人的中间层表示。

混合特征是指多种低层特征的融合，或者是低层特征的高阶特性等特征。

3分类与定位的技术

  判断视频图像中有没有行人，是一个二值分类问题， 判断行人的位置是一个定位问题， 目前行人的分类和定位方法可以分为两大类：滑动窗口法和超越滑动窗口法。滑动窗口法是目标检测的主要方法，滑动法根据利用的几何结构星系， 可以进一步分为整体法， 部位法和局部块法。

4验证技术

    验证这一步骤的目的是对检测结果进行筛选，滤掉误检的行人窗口。有通过比较立体图像对左图像和右图像的轮廓相关性对结果进行验证，有利用的行人的不太模式进行验证。  

（五）无人驾驶汽车行人检测系统的设计和开发

   1 开发环境

   系统的开发环境是微软的集成开发平台Visual Studio2010 以及EmguCV 图像处理函数库，采用的开发语言是C#。系统的开发环境是微软的集成开发平台 Visual Studio2010 以及 EmguCV 图像处 理函数库，采用的开发语言是 C#。EmguCV 可以很好地连接 C#与 opencv，能 够弥补 openCV 在 GUI 这方面的不足。采用这样的开发环境既可以调用经典的 openCV 开源视觉库也可以用 C#语言在.net 平台上做出漂亮的软件界面。

2 软件各功能模块介绍

该行人检测系统分为以下几个模块：图像采集模块、背景提取与更新模块和行人检测模块。

数据采集模块为系统提供输入视频，将摄像机采集到的图像实时输入系统并对 其进行图像处理，方便后面的操作。 

背景提取与跟新模块，本文的检测方法采用最常见的背景差分法，背景模型的提取是我们研究的重点。提出的一种改进的基于多帧的分区域背景更新算法，采用分区域更新的方式，对每 个小矩形区域分别进行背景更新。 

行人检测模块，在上个模块实时更新出背景之后，把当前帧图像与当前背景图像进行相减，得 到差分图像，然后对差分图像做高斯平滑，这样在检测目标轮廓的时候能有更佳的 效果。然后采用 OTSU 算法对差分图像进行分割。

     

二、^范文提纲  

摘 要

1 绪论

1.1 研究背景和研究意义

1.2 无人汽车行人检测系统的工作原理

1.3无人驾驶汽车行人检测系统研究现状                                                                    

2无人驾驶汽车行人检测系统的技术介绍

2.1候选区域确定技术

2.2特征提取技术

2.3分类与定位的技术

2.4验证技术

3 无人驾驶汽车行人检测系统设计和开发

3.1开发环境

3.2软件和各模块介绍

4总结与展望

4.1 总结 

4.2 展望

三、参考文献

[1]泉田良辅.智能化未来[M].浙江：浙江大学出版社. 2015 

[2]陈慧岩.无人驾驶汽车[M].北京：北京理工大学出版社. 2014

[3]苏松志.行人检测：理论和实践[M].厦门：厦门大学出版社.2016

[4]汤一平.物联网感知技术与应用（上）[M]北京：电子工业出版社.2013

[5]汤一平.物联网感知技术与应用（中）[M]北京：电子工业出版社.2013

[6]焦建彬. 视角目标检测与追踪[M]北京：科学出版社.2016. 

[7]Hansen,J.H.L.（美）车载系统和安全的数字信号处理[M]北京：机械工业出版社.2013 

[8] Delgrossi,L.(美).车用安全通信：协议，安全及隐私[M] 北京：北京理工大学出版社. 2015

[9]邵晓芳.张量投票方法及其在机器视觉中的应用物联网感知技术与应用[M]北京：科学出版社.2016.

[10]魏晓东.现代工业系统集成技术[M]北京：电子工业出版社.2013. 

[11]彭真明.光点图像处理及应用（M）北京：电子科技大学出版社.2013. 

[12]曹文明.仿生模式识别与信号处理的几何代数方法[M]北京：科学出版社.2010

[13]徐勇.模式识别中的核方法及其应用物联网感知技术与应用M]北京：国防工业出版社.2010

[14]程光涛.基于HOG特征的行人视觉检测方法. [J]传感器和微系统.2011年第30期卷第7期 

[15]宁博.面向行人检测的动态视觉提取与集成分析方法研究[Z].    

   ://.docin.com/p-821151649.html .   2012年4月