[发明专利]一种适用于无人车的行人及障碍物检测算法

权利要求书

1.一种适用于无人车的行人及障碍物检测算法，其特征在于，

步骤一：收集对校园内不同场景，时间段的图像，并提取到其中障碍物的HOG特征，每一个时间段和场景选取其中一个子空间进行聚类得到一个字典，重复操作得到多个字典，步骤一中通过聚类算法消除异常样本对聚类影响，所述聚类算法包括以下步骤：

步骤a：确认聚类中心个数C，以及区间[m₁,m₂]和[η₁,η₂]，迭代阈值ε；

步骤b：随机生成聚类中心位置；

步骤c：通过下述公式更新模糊上下界矩阵U；

其中U＝[u_i(x_k)],d_k,i表示第k个数据到第i类聚类中心的距离；

步骤d：通过下述公式更新可能性上下界矩阵T；

其中T＝[τ_i(x_k)]；

步骤e：通过下述公式计算出各聚类中心v_i,i＝1,2,3,…,C：

其中v_i分别由下述公式计算出：

步骤f：重复上述步骤c到步骤e直到||V(t)-V(t-1)||＜ε

其中t为迭代次数，V＝[v₁,v₂,…,v_C]，ε为常数；

步骤二：无人收件系统在运行途中先通过一种域适应的检测器得到可能存在障碍物目标的候选框，并提取其HOG特征并基于字典，将原图表示为一个多维的直方图向量；

步骤三：根据公式选择和待检测样本相似的样本，并将两者融合；

步骤四：通过融合特征算出其基于字典的特征，并得出其分类；

步骤五：对检测结果进行人工标识，并通过人工标识通过DHA-DE算法对参数进行优化。

2.根据权利要求1所述的一种适用于无人车的行人及障碍物检测算法，其特征在于，步骤一中数据集在设定时保证对于不同时间段，不同场景都要有充分采样，并且通过这些采样形成不同的字典；在进行检测前可以通过与不同字典的距离比较，选择最优字典用于检测工作；

最优字典的选择由下述公式实现：

其中l为选择的字典的下标，i∈{1,2,…,c},c为字典总个数,分别表示第i个字典和目标样本，距离公式为：

其中φ为一个映射。

3.根据权利要求1所述的一种适用于无人车的行人及障碍物检测算法，其特征在于，步骤三具体如下：根据下述公式选择和待检测样本相似的样本，并将两者融合得到融合特征y_mix＝(1-γ)y+γy_near；γ为常数，其中邻近样本的下标near通过下述公式计算：

其中待测样本v与其他目标样本v_j相似度通过下面公式计算：

s(v,v_j)＝kernel(v,v)+kernel(v_j,v_j)-2kernel(v,v_j)

其中e为自然常数为l2范式的平方，因此X＝[x₁,x₂,…,x_i]^T。