【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(dǎo)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(yù)警系統(tǒng)已成為研究熱點。另外,深度神經(jīng)網(wǎng)絡(luò)在機器視覺領(lǐng)域表現(xiàn)出優(yōu)異的性能,已獲得學(xué)者們廣泛的關(guān)注,將深度學(xué)習(xí)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(xué)習(xí)的目標(biāo)檢測及防碰撞預(yù)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(yù)警模型,判別前方目標(biāo)的危險程度。本文主要進行的工作包括:(1)構(gòu)建基于深度學(xué)習(xí)的目標(biāo)檢測模型。將YOLOv2網(wǎng)絡(luò)作為目標(biāo)檢測的基礎(chǔ)模型,為了提高模型檢測群簇小目標(biāo)的準(zhǔn)確率,本文在YOLOv2中加入殘差網(wǎng)絡(luò),構(gòu)成YOLO-R網(wǎng)絡(luò)。通過構(gòu)建行人和騎行者樣本庫,以及修改anchor boxes尺寸等網(wǎng)絡(luò)參數(shù),訓(xùn)練出更適合檢測行人和騎行者目標(biāo)的網(wǎng)絡(luò)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(biāo)跟蹤。(2)開發(fā)目標(biāo)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(shù)據(jù)回歸建模的單目測距算法測量前方目標(biāo)距離。首先通過逆透視變換將原圖像上的部分像素點轉(zhuǎn)換到世界坐標(biāo)系中,得到IPM(Inverse Perspective Mapping)圖,并建立原始圖像與IPM圖像像素坐標(biāo)的回歸模型,然后根據(jù)IPM圖像像素坐標(biāo)與世界坐標(biāo)的線性關(guān)系估算距離,避免了逆透視變換中大量重復(fù)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(biāo)的像素坐標(biāo),克服俯仰角變化對測距的影響。(3)建立模糊預(yù)警系統(tǒng)。本文先在車輛前方設(shè)定預(yù)警激活區(qū)域,排除部分安全目標(biāo),然后采用模糊綜合評價法對預(yù)警激活區(qū)域內(nèi)的目標(biāo)進行預(yù)警,以目標(biāo)的位置、橫縱向距離、自車車速以及碰撞時間為依據(jù),判斷目標(biāo)的危險等級,并將預(yù)警結(jié)果顯示在視頻圖像上。(4)分別對目標(biāo)檢測、測距以及預(yù)警功能進行實驗驗證。首先完成了前方目標(biāo)檢測實驗,并與YOLOv2網(wǎng)絡(luò)的檢測效果作對比,結(jié)果表明本文設(shè)計的YOLO-R網(wǎng)絡(luò)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(nèi),達(dá)到了較高精度。最后完成了預(yù)警實驗,對比了包含與不包含預(yù)警激活區(qū)域的預(yù)警效果,并分析了系統(tǒng)出現(xiàn)誤警、漏警的原因,結(jié)果表明該系統(tǒng)的準(zhǔn)確率和實時性均能滿足前方防碰撞預(yù)警系統(tǒng)的要求。
【學(xué)位授予單位】：江蘇大學(xué)
【學(xué)位級別】：碩士
【學(xué)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(biāo)與自車的相對位置和相對運動關(guān)系，預(yù)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(chǎn)應(yīng)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(shù) F 為： 1 111 ,(1 ( , )) inkii jki iiIOU box centroidFn IOU centroid abox 1 11 , inkii jIOU box centroid 表示類內(nèi)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(fù)雜度，k 值越大，模型越復(fù)雜。因此 k 值的選擇度S 和評價函數(shù) F。本文用一張416 416像素的圖片需要預(yù)測的候度S ， S 13 1 3 k。由于這兩個評價指標(biāo)具有不同的量綱，因此方法歸一化數(shù)據(jù)，再畫出模型復(fù)雜度 S 、評價函數(shù) F 與聚類數(shù) k 的 所示，平衡模型復(fù)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(xué) 碩 士 學(xué) 位 論 文框，一共預(yù)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(shù)，將函數(shù)限定在 0,1 ；xc 、；wp 、hp 是 anchor box 的寬和高。

【參考文獻(xiàn)】

相關(guān)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(yù)警系統(tǒng)[J];華中科技大學(xué)學(xué)報(自然科學(xué)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(xué)學(xué)報(自然科學(xué)版);2015年01期

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

4 權(quán)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(xué)學(xué)報;2014年07期

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

6 李世武;田晶晶;沙學(xué)鋒;孫文財;王琳虹;;基于模糊綜合評價和BP神經(jīng)網(wǎng)絡(luò)的車輛危險狀態(tài)辨識[J];吉林大學(xué)學(xué)報(工學(xué)版);2011年06期

7 沈志熙;黃席樾;;基于數(shù)據(jù)回歸建模的單目視覺測距算法[J];計算機工程與應(yīng)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(xué)學(xué)報(自然科學(xué)版);2005年10期

相關(guān)碩士學(xué)位論文 前10條

1 馬佳磊;面向車載的行人安全判別技術(shù)[D];吉林大學(xué);2017年

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

3 張楚金;智能車的前方車輛檢測和預(yù)警算法研究[D];湖南大學(xué);2015年

4 張代明;基于消失點的魯棒逆透視變換[D];重慶大學(xué);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(xué);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(xué);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(xué);2014年

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

9 介炫惠;道路交通標(biāo)線的檢測算法研究[D];中南大學(xué);2012年

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

本文編號：2771335