论文部分内容阅读
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,建立车辆边缘宽度与距离的回归方程,在距离测量时根据回归方程计算距离,不需要其他额外的人工测量参数。进一步的,为了实现更加鲁棒和通用的测距系统,本文创新性的提出了基于图像深度估计的车辆测距算法,使用双目图像无监督训练图像深度估计网络,网络输出致密的深度估计图像,在图像的车辆检测框内使用K均值聚类算法(K-means clustering algorithm)计算车辆距离,整个过程不需要任何人工参与,并且可以扩展到行人、自行车等其他物体的距离测量。本文在上述算法的基础上,实现了基于边缘宽度回归的车辆测距系统,实验测量在100米内的误差小于7%,并且可以达到30FPS(Frames Per Second)的实时测距。另外,本文提出了新的图像深度估计网络,在KITTI数据集上取得了与最新算法相当的准确度,50米内相对误差为10%,优于最新算法;并基于所提出的深度估计网络实现了车辆测距系统,在40米内的测距误差小于15%。