论文部分内容阅读
随着我国汽车保有量的持续增长,现代道路交通环境的复杂化,交通安全问题日益突出。为了提高机动车行驶安全性,有效地避免交通事故的发生,基于机器视觉的汽车安全辅助驾驶系统成为当前智能车的一个研究热点。本文围绕辅助驾驶系统中车道线检测与偏离预警和交通标志识别两大功能展开关键技术问题研究。针对车道线检测的问题,本文提出基于小波变换改进Canny边缘检测算法,将连续小波变换引入传统Canny算子使得在边缘提取和图像处理过程中能更好控制噪声信号,从而大幅度提高了车道线检测的准确率。针对车道偏离预警功能,本研究根据设计需求选择基于车辆位置的方法和基于经验阈值的预警决策算法并建立车道偏离预警决策模型。针对交通标志识别功能,本研究采用深度学习方法,使用GTSRB数据集作为训练样本。首先通过更改传统SSD网络模型的基础网络VGG16为ResNet-50增强特征提取能力,在改进网络中添加了反卷积模块,引入了空间上下文信息,从而大幅度提高了检测准确率。改进SSD网络将考虑特征金字塔中各层之间的关系,使得只有特征金字塔中的图层才允许增加特征图的数量,有效地增加了特征图的数量使网络可以检测更多的小尺寸物体。针对车道线检测图像预处理和边缘检测部分实验,使用MATLAB平台仿真进行直观地反映出本文算法对于图像预处理的提升效果。在NVIDIA TX2嵌入式实验平台上,使用采集的高速公路行车视频,进行了车道线检测的准确性与实时性和车道偏离预警成功率的实验。分析实验结果可得,车道线检测准确率达到92.8%,单帧检测速度23ms,车道偏离预警判定成功率85.72%。基于深度学习的交通标志识别实验在配备有高性能GPU的PC实验平台进行。本研究首先验证了改进SSD网络模型训练的收敛性,针对VGG16和ResNet-50基础模型的SSD网络对交通标志识别进行对比测试实验,实验结果表明ResNet-50模型平均准确率比VGG16模型高0.0219mAP。最后,对改进SSD网络模模型做了性能评估实验,本研究提出的改进SSD模型交通标志识别方法的识别平均精确度为93.74%和平均召回率为91.81%,单帧识别速度在40ms左右。本文针对基于视觉的汽车辅助驾驶系统中车道线检测与偏离预警和交通标志识别的研究,提出了相应的算法,并进行了相关的验证与测试实验,获得了满意的结果,为今后该领域的研究提供了思路,具有一定的理论价值和应用价值。