基于卷积神经网络的车辆检测与测距

发布时间：2024-02-22 15:14

　　随着人工智能技术的发展,智能汽车成为新一轮科技变革的重要方向。车辆检测与测距系统作为智能车的重要组成部分,对于提高智能车的安全性和可靠性具有重要意义。车辆检测是车辆测距的前提和基础,本文针对复杂道路场景提出了基于增强YOLO v3的车辆检测算法;车辆测距是车辆检测的上层应用,本文提出了基于边缘宽度回归的车辆测距算法和基于图像深度估计的车辆测距算法。本文针对传统车辆检测方法在复杂道路场景误检率高,鲁棒性差等不足,利用卷积神经网络(Convolutional Neural Networks,CNN)强大的特征学习和表达能力提高了检测精度。考虑到准确性和实时性,本文基于通用物体检测算法YOLO v3,结合车辆检测的场景,提出了增强YOLO v3算法,聚类计算最优anchor框数目,利用车辆分类数据集进行二次预训练和整体模型多尺度训练,在复杂道路场景下取得了89%AP(Average Precision)的准确率,比YOLO v3 算法提高6%AP准确率。针对传统测距算法需要进行人工相机标定、道路建模、俯仰角测量等实用性差的缺点,本文提出了基于边缘宽度回归的车辆测距算法,根据回归分析理论,建立...

【文章页数】：83 页

【学位级别】：硕士

【部分图文】：

图２－２感兴趣区域??

性等多特征融合的方式提高检测精度。??灰度化二滤波阈值分割１＾＃提■检测车辆??图２－１基于车辆底部阴影的车辆检测步骤??基于车辆底部阴影的车辆检测方法主要步骤如图２－１所示，首先提取感兴趣??区域ＲＯＩ，然后对所提取的图像灰度化，滤波去除图像中的噪声，对图像进行阈??值分割去除....

图２－３灰度化和去噪后图片??

?（ｂ）??图２－３灰度化和去噪后图片??如图２－３所示，（ａ）图为灰度化后图片，（ｂ）图为３Ｘ３高斯滤波后的图片，滤??波后的图片更为平滑。??在进行阴影检测之前，应当将灰度图像转化为二值图像，使图像只有黑白两??种颜色。阈值分割是一种最基本的分割方法，该方法计算简单，且可以使....

图２－４阈值分割，阴影检测，车辆检测示意图??在对图像进行阈值分割后，图像中灰度值为零的黑色区域为阴影检测的候选??区域，然后逐行对图像进行扫描，计算每行中像素为零的连续的像素点个数，当??

方差可以衡量灰度值分布是否均匀，当目标和背景的灰度值相差越大，则方??差越大，如果出现误分，则会导致两部分的方差值减小，因此本文采用计算类间??最大方差的方式对灰度图进行分割，如图２－４（ａ）所示。??（ａ）??（ｂ）??（ｃ）??图２－４阈值分割，阴影检测，车辆检测示意图??在....

图２－５坐标系转换示意图??

４个坐标系的转换，分别是世界坐标系，相机坐标系，成像平面坐标系，像素坐??标系。相机成像的过程最简单的模型是针孔成像模型，不同视角的坐标系转换如??图２－５所示。??世界坐标系：：二＇＇相机坐标系＿成像严面ｆ示系像声坐ｆ系??（Ｘｗ．｝Ｊｒ．Ｚｗ）?（ＡＣ．１Ｃ；ＺＣ）?（Ｘ，）....

本文编号：3906866