基于生物视觉启发特征和遮挡模型的复杂道路环境目标检测方法研究

This project will pursue research on local feature description and occlusion model of road object, in view of the problem of low detection rate of road object and error detection of occlusion object in urban environment perception. First, a novel biologically inspired local description will be proposed based on the visual information processing mechanism of ventral pathway in human brain. Features are extracted by a two-layer network, which works in a similar way as the simple cell and complex cell get responses. Local feature descriptors suppose to effectively represent local regions in a robust way to improve the detection rate of road object. Secondly, the project will model the occlusion state, which are defined on visibility of objects' parts, based on conditional random field. Parts contextual information will be used in occlusion model in order to detect occluded road object without prior knowledge. The objective of this project is to develop a new and effective way of solving difficult problems of urban road environment perception field. This project will have significant theoretical and practical results.

针对复杂道路环境感知中目标检测率低、误检率高以及遮挡目标难以准确检测的问题，本项目拟从目标的局部特征描述和遮挡状态描述两个方面展开研究，提高道路目标感知的鲁棒性。首先，针对复杂环境道路目标类间低分辨性和类内多样性，从生物视觉启发的角度出发，提出一种新的二层结构目标局部特征提取模型，并在此基础上构造局部描述子。该方法通过深入模拟视觉神经中简单细胞和复杂细胞的响应特性，得到目标更具鲁棒性的局部特征描述，从而提高目标检测率及降低误检率。其次，针对无先验知识情况下道路被遮挡目标难以检测的问题，根据道路目标各种遮挡状态之间的上下文关系，提出一种基于条件随机场结构的目标遮挡图模型，从而实现道路遮挡目标的准确检测。研究成果将为复杂道路环境感知中目标检测的难点问题提供新的有效解决思路和方法，具有重要理论意义和实际应用价值。

本项目针对复杂道路环境感知中目标检测率低、误检率高以及遮挡目标难以准确检测的问题，从目标的局部特征描述、道路天气自动识别、遮挡状态描述等几个方面展开研究，提高道路目标感知的鲁棒性。首先，根据灵长类脑皮层腹部流的视觉处理机制中视神经细胞之间存在激活和抑制作用，模拟脑初级视皮层中简单细胞和复杂细胞的响应特性，设计了一个两层级联结构来提取特征。生物特征描述子在匹配性实验下，特征描述性优于SIFT和SURF，但逊色于卷积神经网络的高层特征。其次，为减少天气给道路目标检测带来的影响，我们研究了道路天气自动识别方法，实现了4种典型天气(晴、雨、雾和雪)的自动识别，同时为了优化计算量对卷积神经网络的参数进行了去冗余处理，实现了基于稀疏卷积神经网络的天气识别。然后，我们还利用两种方式来改良网络模型，其一通过自己收集并标注的城市道路图像作为训练数据增强网络模型中各结点（神经元）对道路目标的特征表达能力，其二采用1×1与3×3卷积核交替使用的方式代替全3×3的卷积核结构，以此减小特征图参数规模，降低参数总量。实验证明改良后的网络较原SSD网络性能提升，尤其在小目标的检测上尤其显著。最后，本研究利用车辆间的共享数据，根据前后车间3D成像模型，实现了遮挡目标的检测及可视化，大大拓宽了车辆对道路环境的感知能力。