论文部分内容阅读
先进驾驶员辅助系统(Advanced Driver Assistance Systems,ADAS)是目前智能网联汽车(Intelligent and Connected Vehicles,ICV))领域中重点研究方向之一。车辆与行人目标检测技术又是ADAS系统重要组成部分之一。针对现有的车辆与行人目标视觉检测方法存在的目标检测精度低、实时性差和甚至难以识别出目标的难题,研究基于视觉融合的车辆与行人目标检测及测距方法。论文首先从车辆与行人目标特征及其运动信息等方面,介绍了车辆与行人目标视觉检测方法的国内外研究现状,根据图像处理原理,分析了常用的车辆与行人目标视觉检测方法存在的目标检测率低和实时性差的原因,提出了基于视觉融合的车辆与行人目标检测方法,然后,建立基于道路水平线的车辆与行人目标图像ROI区域自适应划分模型及其算法,并以车辆与行人的KITTI(Karlsruhe Institute of Technology and Toyota Technological Institute)数据集为对象,在Visual Studio 2013软件环境下对其进行了目标ROI(Region of Interest)分割,获得了车辆与行人的目标ROI图像(简称ROI图像),之后,根据基于多层次特征的深度学习目标检测与基于目标平面特性的U-V视差图目标检测原理,设计了基于SSD(Single Shot Multibox Detector)深度学习模型和U-V视差图的车辆与行人目标检测与测距器,运用该检测与测距器对ROI图像进行了检测与测距实验。实验结果表明,基于视觉融合的车辆与行人目标检测及测距方法与常用的车辆与行人目标视觉检测方法相比,检测速度与检测率分别提高了24.1%、1.46%,漏检率与误检率分别降低了2.83%、1.10%,30m以内车辆与行人目标测距误差在10.5%以内。