[发明专利]一种面向自动驾驶的车路协同行人重识别方法和系统

说明书

本发明涉及智能交通技术领域，具体涉及一种面向自动驾驶的车路协同行人重识别方法和系统，主要应用于依赖无线通信进行信息交互的车路协同系统，在尽可能减少通信资源占用的前提下，保证输出实时可靠的行人重识别结果，进而辅助自动驾驶车辆全面感知行人的运动状态和轨迹。其中方法包括：根据无线信道状态分别对车路两侧获取的行人图像进行高维深度特征提取和自适应特征降维处理，在图像特征维度满足重识别可靠性的前提下，尽可能降低图像特征维度，减少传输图像特征所产生的通信开销和传输时延。通过利用汉明距离计算车路两侧提取的行人图像的低维深度特征之间的距离，减少了计算量，加快了图像特征匹配速度，使得行人重识别系统的工作效率更高。

技术领域

本发明涉及智能交通技术领域，具体涉及一种面向自动驾驶的车路协同行人重识别方法和系统。

背景技术

随着人工智能技术的蓬勃发展,自动驾驶也迎来了全面发展的黄金期。安全驾驶是自动驾驶发展过程中最重要的研究课题，如何有效的检测和躲避行人是亟待解决的问题。但是车载行人检测系统存在检测距离精确度不高、受遮挡影响较大和在弯道及交叉口情况下适应性差等问题，所以依赖单一车辆进行行人检测进而控制车辆实现行人防碰撞是不现实的。

伴随车辆和道路基础设施的智能化发展，基于先进的无线通信技术和新一代互联网技术的车路协同系统成为了智能交通的发展新趋势。通过全方位实施车车、车路动态实时信息交互，并在全时空动态交通信息采集与融合的基础上，车路协同系统开展车辆主动安全控制和道路协同管理，充分实现人车路的有效协同，保证交通安全，提高通行效率，从而形成安全、高效和环保的道路交通系统。

行人重识别是图像检索的一个子问题，其目标是给定一个监控行人图像检索跨设备下的该行人图像。车路协同行人重识别是辅助自动驾驶车辆全面感知行人，实现行人防碰撞的有效手段。利用车路协同行人重识别技术可以将车载和路侧视觉传感器视野范围内的行人进行关联，便可进一步检测并跟踪行人的运动轨迹以及状态，使得车辆可以全面感知行人并给予附近车辆行人碰撞预警信息，进而有效保障自动驾驶车辆安全行驶。

行人重识别技术包括图像的特征提取和特征相似性度量两部分。在深度学习方法发展起来之前，行人图像的特征提取主要依靠人工设计的局部特征构成全局特征，然而传统的手工特征描述能力有限，很难适应复杂场景下的大数据量任务。近年来，深度学习技术在计算机视觉各领域均取得很大进步，行人重识别的精度也在不断被各类基于深度学习的方法刷新。依靠卷积神经网络，模型可以自动学习出高维、复杂的行人图像局部或全局特征。由于图像特征拥有了更强的表征能力，往往仅需使用欧氏距离进行特征间的相似性度量。对于一个车路协同系统，则需要车载和路侧的计算单元采用卷积神经网络分别独立地对本地图像获取设备(视觉传感器)采集到的图像进行处理，计算出图像的特征信息；接着由车载通信设备把车辆获得的图像特征通过无线通信设备发送到路侧计算单元，使其通过融合自身获得的道路图像特征和从车辆处收集的图像特征，完成特征间的相似度度量后对车、路检测到的对象是否为同一对象作出判断。

现有最新的基于深度学习的行人重识别基线模型见图2，其中fc(fullyconnected)层表示全连接层。输入查询图像和候选图像，两类图像经过特征提取模块得到深度特征，大小为512维的32位浮点型特征。接着将特征数据送入特征匹配模块，图中虚线框部分。利用欧氏距离度量特征之间的距离，可以得到图像之间的相似度，最终输出特征距离最小的图像作为重识别结果。而采用卷积神经网络提取的行人图像特征维数较高且存在部分冗余信息，过高的数据维度会造成维度灾难，既影响了计算效率，对于车路协同系统而言也增加了存储需求和通信开销。由于车路协同系统的信息交互依赖无线通信完成，而无线信道本质上是时变的，在一些时候当无线信道变差，那么无线通信网络能够传输的数据量就会下降。如果车路协同系统始终传输高度冗余的行人图像特征信息，那么就可能导致过大的通信开销和传输时延，严重影响信息融合效果，造成车路协同行人重识别结果的实时性和可靠性降低，进而无法给自动驾驶车辆提供可靠的行人感知信息和碰撞预警信息。

发明内容