基于深度学习的行人和骑行者检测及防碰撞预警系统研究

发布时间：2020-07-26 21:50

【摘要】：汽车已成为最普遍的交通工具,它在方便人们出行的同时,也导致交通事故频发。行人、骑行者作为道路交通环境中的弱势群体,其安全问题不容小觑,建立完善的行人和骑行者检测预警系统已成为研究热点。另外,深度神经网络在机器视觉领域表现出优异的性能,已获得学者们广泛的关注,将深度学习用于驾驶辅助系统正成为发展趋势。本文以车辆前方行人、自行车作为研究对象,开展了基于深度学习的目标检测及防碰撞预警系统的研究。该系统以前视摄像头作为获取环境信息的传感器,并利用GPS模块提取自车车速,建立预警模型,判别前方目标的危险程度。本文主要进行的工作包括:(1)构建基于深度学习的目标检测模型。将YOLOv2网络作为目标检测的基础模型,为了提高模型检测群簇小目标的准确率,本文在YOLOv2中加入残差网络,构成YOLO-R网络。通过构建行人和骑行者样本库,以及修改anchor boxes尺寸等网络参数,训练出更适合检测行人和骑行者目标的网络模型。并通过匹配算法完成行人、骑行者分类,进一步运用Kalman滤波实现多目标跟踪。(2)开发目标与自车的相对距离检测算法。本文使用基于逆透视变换和数据回归建模的单目测距算法测量前方目标距离。首先通过逆透视变换将原图像上的部分像素点转换到世界坐标系中,得到IPM(Inverse Perspective Mapping)图,并建立原始图像与IPM图像像素坐标的回归模型,然后根据IPM图像像素坐标与世界坐标的线性关系估算距离,避免了逆透视变换中大量重复的计算过程且将测距范围扩展到整个原始图像。并且通过基于纹理方向估计的道路消失点检测算法实时计算摄像头俯仰角,修正目标的像素坐标,克服俯仰角变化对测距的影响。(3)建立模糊预警系统。本文先在车辆前方设定预警激活区域,排除部分安全目标,然后采用模糊综合评价法对预警激活区域内的目标进行预警,以目标的位置、横纵向距离、自车车速以及碰撞时间为依据,判断目标的危险等级,并将预警结果显示在视频图像上。(4)分别对目标检测、测距以及预警功能进行实验验证。首先完成了前方目标检测实验,并与YOLOv2网络的检测效果作对比,结果表明本文设计的YOLO-R网络具有更高的精度和召回率,mAP(mean Average Precision)提升了3.4%。在静动态测距实验中,横向与纵向距离的测量误差都控制在7%以内,达到了较高精度。最后完成了预警实验,对比了包含与不包含预警激活区域的预警效果,并分析了系统出现误警、漏警的原因,结果表明该系统的准确率和实时性均能满足前方防碰撞预警系统的要求。
【学位授予单位】：江苏大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：U463.6
【图文】：

产品,沃尔沃

系统的研究现状警系统，主要通过图像采集传感器来获标与自车的相对位置和相对运动关系，预测到有危险时，警示驾驶员注意危险S 系统的公司中最具代表性的是以色列的yeC2-270 被安装在 VolvoS60 以及 Volvo中的开端。如今 Mobileye 的 ADAS 产应用到宝马、通用、沃尔沃、福特等主要e560，其通过一个智能摄像头识别前方的路灯等多类物体，并利用独立的三角坐而判断危险程度。

变化曲线,评价函数,复杂度,变化曲线

定义评价函数 F 为： 1 111 ,(1 ( , )) inkii jki iiIOU box centroidFn IOU centroid abox 1 11 , inkii jIOU box centroid 表示类内方差；1(1 ( ki iin IOU centroidabox的长宽为所有真实框长宽的均值。值也会影响模型复杂度，k 值越大，模型越复杂。因此 k 值的选择度S 和评价函数 F。本文用一张416 416像素的图片需要预测的候度S ， S 13 1 3 k。由于这两个评价指标具有不同的量纲，因此方法归一化数据，再画出模型复杂度 S 、评价函数 F 与聚类数 k 的所示，平衡模型复杂度和聚类效果后，本文选择 k=5，并将 k=5 的的 anchor boxes 的尺寸。

位置预测,候选框,映射变换,函数

江苏大学硕士学位论文框，一共预测 13×13×5=845 个候选框位置：xt 、yt 、wt 、ht ，置信度0t以及、、以及做映射变换，得到与测如图 2.6 所示，计算过程如下：0( )( )Pr( ) ( , ) ( )whx x xy y ytw wth hb t cb t cb p eb p eobject IOU b object t 活函数，将函数限定在 0,1 ；xc 、；wp 、hp 是 anchor box 的宽和高。

【参考文献】