欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025105131958
申请人: 华东交通大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种应对复杂背景影响下自动驾驶的行人检测方法,其特征在于,所述检测方法包括以下步骤:

步骤一:获取数据集,

使用双目车载摄像头在商场、车站、不同街道的不同时间段拍摄道路行人实际情况图像,同时从网络上收集城市中不同背景与不同遮挡程度下的行人图像,包含不同遮挡程度的背景简单和背景复杂的图像,共同组成数据集;使用LabelImg工具对数据集中的图像进行标注,标识出图像中的行人目标,包括行人的位置框和类别信息;

步骤二:构建AD-YOLO-RPBNet模型,

所述AD-YOLO-RPBNet模型的主干部分包括四组由卷积块和多样分支C3K2模块组成的串行结构;在AD-YOLO-RPBNet模型的颈部部分的第一列引入一个多样分支C3K2模块,在第二列引入交替的三个多样分支C3K2模块,第二列的每个多样分支C3K2模块的输出均经过一个DELA模块连接一个检测头;

所述多样分支C3K2模块包括卷积块,从卷积块分出两条支路,一条支路通过两个多样分支C3K模块处理后再与另一条支路进行Concat拼接操作,之后经过一个1*1的卷积处理获得输出;

所述多样分支C3K模块包括依次连接的卷积块和两个瓶颈层;所述瓶颈层包括依次连接的两个多样化分支卷积;

每个多样分支卷积由五条支路组成,第一条支路经过一个1*1的卷积与BN层后输出,第二条支路依次经过一个1*1的卷积、BN层、一个3*3的卷积与BN层后输出,第三条支路依次经过一个1*1的卷积、BN层、最大池化层与BN层后输出,第四条支路依次经过一个3*3的卷积、BN层、平均池化层与BN层后输出,最后一条支路经过一个3*3的卷积与BN层后输出,最后将五条支路的输出进行拼接,再经过非线性层处理后获得多样分支卷积的输出;

所述DELA模块设置三条分支,其中两条分支在空间维度上分别使用X最大池化、Y平均池化获得水平和垂直两个方向的特征向量后,再分别通过一个1*1的卷积、GN层、Sigmoid函数处理后分别生成水平和垂直两个方向上的注意力权重,将水平和垂直两个方向上的注意力权重与DELA模块的输入按照对应方向进行特征加权,获得DELA模块的输出;

步骤三:利用步骤一获得的数据集训练AD-YOLO-RPBNet模型,以训练后的AD-YOLO-RPBNet模型用于应对复杂背景影响下自动驾驶的行人检测。

2.根据权利要求1所述的应对复杂背景影响下自动驾驶的行人检测方法,其特征在于,所述AD-YOLO-RPBNet模型的颈部部分的组成为:颈部部分由三列结构组成,第一列由上采样Upsample、Concat拼接操作、多样分支C3K2模块、上采样Upsample、Concat拼接操作自底向上依次连接构成,第二列由多样分支C3K2模块、卷积块、Concat拼接操作、多样分支C3K2模块、卷积块、Concat拼接操作、多样分支C3K2模块自上向下依次连接构成;第三列由三个并行的DELA模块组成;

主干部分的C2PSA模块的输出分别连接颈部部分第一列底部的上采样Upsample和第二列底部的Concat拼接操作;主干部分的第三个多样分支C3K2模块和第二个多样分支C3K2模块的输出分别连接颈部部分第一列的两个Concat拼接操作;颈部部分第一列的多样分支C3K2模块的输出连接第二列的第一个Concat拼接操作;同时第一列的最上部的Concat拼接操作的输出输入到第二列的最上部的多样分支C3K2模块中;第二列的三个多样分支C3K2模块分别连接一个DELA模块;

在AD-YOLO-RPBNet模型的输出部分,通过三个检测头对三个不同尺度的特征图进行处理,能够识别一张图像中不同大小的行人目标,并在图像中显示检测目标的类别信息和边界框。

3.根据权利要求1所述的应对复杂背景影响下自动驾驶的行人检测方法,其特征在于,所述AD-YOLO-RPBNet模型在训练时使用考虑遮挡类别权重的遮挡感知焦点损失作为损失约束。

4.根据权利要求1所述的应对复杂背景影响下自动驾驶的行人检测方法,其特征在于,开始训练时,模型初始化的参数设置为:训练模型的epoch设置为650,优化器采用自适应梯度下降Adagrad优化器,并将Adagrad优化器的初始学习率设置为0.01,梯度权重衰减参数设置为5e-2;当损失变化误差在±1e-4以内时停止训练。

5.根据权利要求1所述的应对复杂背景影响下自动驾驶的行人检测方法,其特征在于,数据集中图像大小为640×640。

6.一种应对复杂背景影响下自动驾驶的行人检测系统,其特征在于,所述系统执行权利要求1-5任一所述应对复杂背景影响下自动驾驶的行人检测方法的步骤,包括:双目车载摄像头模块,用于获取道路不同情况下的行人图像;

AD-YOLO-RPBNet模型,用于实时进行自动驾驶过程中行人的目标检测;

车人距离计算模块,用于根据目标检测的结果,通过毫米波雷达传感器测量车辆与目标之间的距离、速度和角度;

反馈模块,用于根据车人距离计算模块的计算结果提示驾驶人,并且调整车辆行驶状态。

7.根据权利要求6所述的应对复杂背景影响下自动驾驶的行人检测系统,其特征在于,在车载屏幕上显示目标检测结果、车人距离以及目标相对车辆的位置,所述目标检测结果包括置信度、遮挡等级,基于目标检测的结果与车人距离计算模块数据触发反馈模块,反馈模块根据车人距离计算模块的计算结果确定分级播报的等级,并分级播报注意行人指令、减速慢行指令或紧急制动指令。

8.根据权利要求6所述的应对复杂背景影响下自动驾驶的行人检测系统,其特征在于,所述AD-YOLO-RPBNet模型应用在应对复杂背景影响的自动驾驶行人目标检测中,平均像素准确率mAP大于70%,每秒帧数FPS大于80,同时参数量控制在15-20million之间。