[发明专利]一种适用于无人车的行人及障碍物检测算法

说明书

本发明提出了一种适用于无人车的行人及障碍物检测算法，属于人工智能领域，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；二：无人收件系统在途中先通过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，将原图表示为一个多维的直方图向量；三：根据公式选择和待检测样本相似的样本，并将两者融合；四：通过融合特征算出其基于字典的特征，并得出其分类；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；本发明通过具有良好的鲁棒性，降低了环境变化对检测器性能的影响。

技术领域

本发明涉及一种无人车，具体的说是一种适用于无人车的行人及障碍物检测算法，属于人工智能技术领域。

背景技术

行人及障碍物检测是目标检测中的一个热点问题，其在无人驾驶、智慧交通等方面有着重要的应用；同时，因为极易受到视角、分辨率过低、光照变化、有遮挡、复杂背景的影响，行人及障碍物检测一直是一个极具挑战的问题。

在过去的几十年里，大部分目标检测方法都是基于CNN方法，YOLO方法等，这些方法取得较好结果的前提是训练样本必须来自于目标应用场景，当这一假设不满足时，检测器往往会出现大幅度的性能下降。

发明内容

本发明的目的是提供一种适用于无人车的行人及障碍物检测算法，通过采用迁移学习方法进行目标检测，迁移学习方法具有良好的鲁棒性，降低了环境变化对检测器性能的影响。

本发明的目的是这样实现的：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：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。

作为本发明的进一步限定，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,x_tar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。

作为本发明的进一步限定，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；