【摘要】：汽車已成為最普遍的交通工具,它在方便人們出行的同時,也導致交通事故頻發(fā)。行人、騎行者作為道路交通環(huán)境中的弱勢群體,其安全問題不容小覷,建立完善的行人和騎行者檢測預警系統(tǒng)已成為研究熱點。另外,深度神經網絡在機器視覺領域表現(xiàn)出優(yōu)異的性能,已獲得學者們廣泛的關注,將深度學習用于駕駛輔助系統(tǒng)正成為發(fā)展趨勢。本文以車輛前方行人、自行車作為研究對象,開展了基于深度學習的目標檢測及防碰撞預警系統(tǒng)的研究。該系統(tǒng)以前視攝像頭作為獲取環(huán)境信息的傳感器,并利用GPS模塊提取自車車速,建立預警模型,判別前方目標的危險程度。本文主要進行的工作包括:(1)構建基于深度學習的目標檢測模型。將YOLOv2網絡作為目標檢測的基礎模型,為了提高模型檢測群簇小目標的準確率,本文在YOLOv2中加入殘差網絡,構成YOLO-R網絡。通過構建行人和騎行者樣本庫,以及修改anchor boxes尺寸等網絡參數,訓練出更適合檢測行人和騎行者目標的網絡模型。并通過匹配算法完成行人、騎行者分類,進一步運用Kalman濾波實現(xiàn)多目標跟蹤。(2)開發(fā)目標與自車的相對距離檢測算法。本文使用基于逆透視變換和數據回歸建模的單目測距算法測量前方目標距離。首先通過逆透視變換將原圖像上的部分像素點轉換到世界坐標系中,得到IPM(Inverse Perspective Mapping)圖,并建立原始圖像與IPM圖像像素坐標的回歸模型,然后根據IPM圖像像素坐標與世界坐標的線性關系估算距離,避免了逆透視變換中大量重復的計算過程且將測距范圍擴展到整個原始圖像。并且通過基于紋理方向估計的道路消失點檢測算法實時計算攝像頭俯仰角,修正目標的像素坐標,克服俯仰角變化對測距的影響。(3)建立模糊預警系統(tǒng)。本文先在車輛前方設定預警激活區(qū)域,排除部分安全目標,然后采用模糊綜合評價法對預警激活區(qū)域內的目標進行預警,以目標的位置、橫縱向距離、自車車速以及碰撞時間為依據,判斷目標的危險等級,并將預警結果顯示在視頻圖像上。(4)分別對目標檢測、測距以及預警功能進行實驗驗證。首先完成了前方目標檢測實驗,并與YOLOv2網絡的檢測效果作對比,結果表明本文設計的YOLO-R網絡具有更高的精度和召回率,mAP(mean Average Precision)提升了3.4%。在靜動態(tài)測距實驗中,橫向與縱向距離的測量誤差都控制在7%以內,達到了較高精度。最后完成了預警實驗,對比了包含與不包含預警激活區(qū)域的預警效果,并分析了系統(tǒng)出現(xiàn)誤警、漏警的原因,結果表明該系統(tǒng)的準確率和實時性均能滿足前方防碰撞預警系統(tǒng)的要求。
【學位授予單位】：江蘇大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：U463.6
【圖文】：

系統(tǒng)的研究現(xiàn)狀警系統(tǒng)，主要通過圖像采集傳感器來獲標與自車的相對位置和相對運動關系，預測到有危險時，警示駕駛員注意危險S 系統(tǒng)的公司中最具代表性的是以色列的yeC2-270 被安裝在 VolvoS60 以及 Volvo中的開端。如今 Mobileye 的 ADAS 產應用到寶馬、通用、沃爾沃、福特等主要e560，其通過一個智能攝像頭識別前方的路燈等多類物體，并利用獨立的三角坐而判斷危險程度。

定義評價函數 F 為： 1 111 ,(1 ( , )) inkii jki iiIOU box centroidFn IOU centroid abox 1 11 , inkii jIOU box centroid 表示類內方差；1(1 ( ki iin IOU centroidabox的長寬為所有真實框長寬的均值。 值也會影響模型復雜度，k 值越大，模型越復雜。因此 k 值的選擇度S 和評價函數 F。本文用一張416 416像素的圖片需要預測的候度S ， S 13 1 3 k。由于這兩個評價指標具有不同的量綱，因此方法歸一化數據，再畫出模型復雜度 S 、評價函數 F 與聚類數 k 的 所示，平衡模型復雜度和聚類效果后，本文選擇 k=5，并將 k=5 的的 anchor boxes 的尺寸。

江 蘇 大 學 碩 士 學 位 論 文框，一共預測 13×13×5=845 個候選框位置：xt 、yt 、wt 、ht ，置信度0t以及、 、 以及 做映射變換，得到與測如圖 2.6 所示，計算過程如下：0( )( )Pr( ) ( , ) ( )whx x xy y ytw wth hb t cb t cb p eb p eobject IOU b object t 活函數，將函數限定在 0,1 ；xc 、；wp 、hp 是 anchor box 的寬和高。

【參考文獻】

相關期刊論文 前8條

1 黃慧玲;楊明;王春香;王冰;;基于前方車輛行為識別的碰撞預警系統(tǒng)[J];華中科技大學學報(自然科學版);2015年S1期

2 譚飛剛;劉偉銘;;多部件驗證的雙層行人檢測算法[J];華南理工大學學報(自然科學版);2015年01期

3 呂能超;曠權;譚青山;于仁斌;;基于車路協(xié)同的行人車輛碰撞風險識別與決策方法[J];中國安全科學學報;2015年01期

4 權義萍;楊道業(yè);;基于視頻檢測的卡爾曼濾波車輛跟蹤算法及行為分析[J];北京工業(yè)大學學報;2014年07期

5 韓凌波;;一種新的K-means最佳聚類數確定方法[J];現(xiàn)代計算機;2013年30期

6 李世武;田晶晶;沙學鋒;孫文財;王琳虹;;基于模糊綜合評價和BP神經網絡的車輛危險狀態(tài)辨識[J];吉林大學學報(工學版);2011年06期

7 沈志熙;黃席樾;;基于數據回歸建模的單目視覺測距算法[J];計算機工程與應用;2007年24期

8 孫季豐,王成清;基于特征點光流和卡爾曼濾波的運動車輛跟蹤[J];華南理工大學學報(自然科學版);2005年10期

相關碩士學位論文 前10條

1 馬佳磊;面向車載的行人安全判別技術[D];吉林大學;2017年

2 肖大偉;基于單目視覺的輪式移動機器人目標測距及跟蹤研究[D];東南大學;2016年

3 張楚金;智能車的前方車輛檢測和預警算法研究[D];湖南大學;2015年

4 張代明;基于消失點的魯棒逆透視變換[D];重慶大學;2015年

5 姚棲;基于車載攝像頭的行人檢測與跟蹤方法研究[D];北京理工大學;2015年

6 童寶鋒;基于視覺傳感器的前方車輛跟蹤定位方法研究[D];吉林大學;2014年

7 文超;基于視覺的后方車輛檢測與跟蹤算法研究[D];吉林大學;2014年

8 楊方宜;基于機器視覺的車輛前方危險目標識別及風險評估研究[D];昆明理工大學;2014年

9 介炫惠;道路交通標線的檢測算法研究[D];中南大學;2012年

10 王興寶;復雜場景下多姿態(tài)行人檢測與識別方法研究[D];蘇州大學;2012年

本文編號：2771335