论文部分内容阅读
辅助驾驶系统(Driving Assistance System,DAS)是一种通过感知车辆内部及外部信息,在车辆行驶过程中持续监测周围环境和驾驶人状态,并将系统感知到的危险信号及时反馈给驾驶人或者部分接管车辆的一种车载系统。随着深度学习的发展,目标检测与识别作为计算机视觉领域的一个重要分支,在神经网络的支持下,已经可以在做到极低的漏检率与误检率下实现实时目标检测。不同于自动驾驶技术,辅助驾驶系统有驾驶员的参与。通过预先感知到危险信号并提前提醒驾驶员,从而避免驾驶员因注意力不集中或者视野盲区问题导致的交通事故。而辅助驾驶算法的目的就是完成辅助驾驶系统中感知危险的步骤,作为之后辅助驾驶系统决策的依据。本文首先列举了几种目标检测与识别算法,并选取综合性能较好的Faster R-CNN算法作为本文主要使用的算法。该算法使用了一个用于特征提取的神经网络共享卷积层的区域提案网络(Regions Proposal Network,RPN);RPN网络在输出兴趣区域(Regions of Interest,RoI)的位置信息的同时,也会输出对每一个区域进行一次二分类的结果:这种做法最大化地共享了神经网络提取的特征信息,同时也降低了分类器以及边框回归模型的运算量,可谓一举多得。然后,本文通过深层压缩(Deep Compression)的模型压缩方式对网络模型依次进行剪枝、共享权值和权值量化,获得了小尺寸的网络模型。为了弥补小尺寸网络在检测精度上的不足,本文提出在压缩后的网络模型中使用捷径连接(Shortcut Connection)并结合复合旁路结构。通过将网络第一层输出特征图的梯度流向之后的每一层,增加网络获得的特征信息以提高压缩后轻量化深层神经网络的检测精度。并使用该网络作为Faster R-CNN算法的骨干网络在KITTI数据集上进行了训练与测试。使得压缩后网络的参数量得到了显著地减少。最后,本文介绍了单目与双目视觉测距方法的实现方式以及数学模型,并选择数学模型较为简单、运算复杂度较低的单目视觉测距方法作为本文所使用的测距方式。然后将其连接在上述Faster R-CNN算法的边框回归模型之后:输入目标定位框下端两点的坐标,取两点的中点作为单目视觉测距方法输入的特征点,以获得更精确的测距结果。在拥有定位道路中的汽车与行人并获得距离信息的能力以后,该算法可以被应用于辅助驾驶系统并作为其骨干算法。