ارائه روشی بهینه جهت تشخیص عابران پیاده در هوای مه آلود در خودروهای خودران با استفاده از روش یادگیری عمیق

یکی از مهمترین مشکلات موجود در حوزه خودروهای خودران، تشخیص موثر و دقیق عابرپیاده است. از طرفی وجود شرایط مختلف محیطی نظیر: شرایط آب و هوایی، روشنایی متفاوت محیط در ساعات مختلف شبانه روز، تراکم و شلوغی خیابان ها و... از کارایی سیستم های تشخیصی میکاهد. هدف از این مقاله ارائه و بررسی عملکرد معماری Yolov4 ،که در حال حاضر جزو جدیدترین متدهای یک مرحله ای شناسایی موضوع و پردازش تصویر میباشد، در تشخیص عابرپیاده تحت دو شرایط مختلف آب و هوایی بوده است. یکی از دیتاست های استفاده شده )Inria ( مربوط به عا برین پیاده در شرایط روشنایی معمول و دیتاست دیگر )Hazy Pedestrian ( شامل تصاویر عابران پیاده در هوای مه آلود میباشد. استفاده از شبکه پایه2 CSPDarknet53 و شبکه خروجیYolov3 3 در این بررسی، نشان میدهد این مدل با ارائه دقتی بالاتر از %95 در هر دو دیتاست یکی از بهترین گزینه ها جهت استفاده در موضوع شناسایی عابرین پی اده میباشد.

Keywords:

شبکه های عصبی کانولوشنی , شناس ایی عابر پیاده , خودروخودران , سیستم های کمک راننده