论文部分内容阅读
换道是一种较为普遍的驾驶行为,涉及到车辆的横向和纵向运动。驾驶员在换道的过程中往往需要密切关注目标车道和前方的驾驶环境,极易由于疏忽大意而引发交通事故。以换道决策辅助系统(lane change decision aid system,LCDAS)为代表的高级驾驶辅助系统(advanced driving assistant system,ADAS)可以利用车载传感器对道路环境进行实时准确的感知,从而有利于发现潜在危险,并及时向驾驶员发出警告或采取主动控制车辆制动、转向等措施以避免交通事故的发生,成为了人们行车安全的重要保障。本文以换道决策辅助系统的环境感知为研究内容,主要开展了视觉车辆目标检测、跟踪和测距算法的研究,完成的具体工作内容包括:(1)提出Enhancement-tiny YOLOv3车辆目标检测算法。为了提高Tiny YOLOv3模型检测小目标车辆的准确率,本文将Tiny YOLOv3网络的maxpool3层修改为conv4层,增加conv5层将conv4层的特征通道维度压缩以减少无效参数,同时连接conv6层和新增的upsample2层的特征通道维度作为特征金字塔网络的特征图分支层,进一步利用k-means算法修改anchor box的个数和尺寸,并详细介绍车辆检测算法的工作流程。(2)研究车辆目标跟踪技术。在不利用图像信息的前提下,本文从运动建模理论出发提出了基于卡尔曼滤波的车辆跟踪算法。假设车辆目标在图像序列间匀速移动,根据车辆检测包围框与跟踪包围框的重叠度(intersection over union,IOU)以及匈牙利匹配算法建立跟踪框和检测框的对应关系,并通过卡尔曼滤波算法对不同匹配类型的目标车辆位置进行预测和更新。(3)研究基于单目视觉的车辆目标测距技术。本文通过道路消失点检测算法估计摄像机的偏航角和俯仰角,将俯仰角的变化考虑到逆透视变换(inverse perspective mapping,IPM)中建立动态逆透视变换模型,并对动态逆透视变换俯视图中的摄像机偏航角进行几何建模,最终建立换道决策辅助系统的基础测距模型。进一步考虑侧后方和前方摄像机的安装位置不同,判断车辆目标方位,并利用对应的位置信息进行测距。(4)分别对车辆检测、跟踪和测距算法进行试验验证。本文搭建了基于NVIDIA Jetson Xavier嵌入式开发板和3个USB摄像机的实车试验平台,验证本文车辆检测、跟踪和测距算法的可行性和有效性。试验表明:相比Tiny YOLOv3模型,在没有跟踪算法的情况下,Enhancement-tiny YOLOv3模型的平均精确率和平均召回率分别提高了4.6%和7.4%;加入跟踪算法后,融合算法的平均精确率和平均召回率分别提高了10.6%和23.6%;加入测距算法后,本文测距模型的动静态误差在7%以内,且平均处理速度可达28帧/s。结果表明,本文算法能够满足嵌入式换道决策辅助系统实时性和准确性的要求。