论文部分内容阅读
随着经济水平提高,国内汽车保有量也不断增加。汽车给人们出行提供了便利的同时,道路事故频发造成的问题日益引起人们的关注。根据科研文献表明,事故发生前对驾驶员发出警告可以有效地降低事故发生率。因此以防碰预警系统为代表的高级驾驶辅助系统对于降低事故发生率、提高行车安全显得尤为重要。而计算机视觉凭借着低成本、丰富信息量等优点担负起了感知环境的重任。本课题基于计算机视觉技术研究并实现车辆检测与车型识别、视觉测距系统。运用卷积神经网络实现车辆检测与车型识别、基于数据拟合建模的前车车距测量模型。论文所做主要工作如下:基于YOLOv2目标检测模型改进的车型识别系统。在建立的车型识别数据集上,将车辆类型分为Car、Bus、Truck三类。通过K均值聚类确定本数据集的Anchor尺寸。改进YOLOv2目标检测框架网络结构,将密集连接网络DenseNet-121替换原Darknet-19网络作为改进模型的特征提取模块。改进后的YOLOv2-DenseNet网络较原YOLOv2的mAP提升了 1.36个百分点。针对One Stage的车型识别系统中正负样本不均衡问题,通过Focal Loss优化损失函数。在定义的损失函数中降低易分类样本权重、更关注于难学习的样本。在本课题所用数据集上,最终YOLOv2-DenseNet-Focal模型较原YOLOv2模型mAP提升了 1.54个百分点,模型最终mAP达到了 94.89%。在该数据集上实验结果表明,增加特征提取网络层数的同时,将低层特征与高层特征融合有利于提高车型识别系统的检测精度;Focal Loss优化的损失函数可解决本课题中车型识别模型中正负样本不均衡问题,从而提升了车型识别系统精度。针对不同车型,基于数据拟合建模实现车距测量并设计预警系统。基于相机成像原理,通过获取不同距离成像图像下的车辆像素宽度,拟合车辆的测距方程。一般数据拟合测距模型仅以像素值作为自变量进行测距,本课题在车型识别系统的基础上,新增自变量车型类别作为一个函数变量,得到不同车型的车距拟合方程D=F(Type,Pix)。车距预警系统基于制动距离的分析,确定最小安全距离与临界安全距离以实现预警系统的多级预警设计。结果表明,针对不同类型的车距拟合方程更符合实际道路测距工况、从而控制测距误差,多级预警的策略更为合理、更适用于城市交通。