论文部分内容阅读
智能汽车中的辅助驾驶技术可以在危险情况下提醒驾驶员,并在特定条件下代替驾驶员操作车辆,减轻驾驶员负担,进而减少因驾驶员疲劳而产生的事故。智能汽车首先面临环境感知的难题,如何在复杂交通场景下精准的感知周围车辆,行人等目标,发现危险情况,仍面临巨大挑战。本文针对智能驾驶过程中危险目标的识别与感知问题进行研究。目前常见的危险目标识别的方法主要是基于多传感器融合,典型的方法是通过摄像机识别障碍物,结合雷达测量障碍物距离,进而判断此障碍物是否对本车有危险。此方法不仅受限于成本,而且融合算法也不够成熟。为此,本文以智能汽车为研究对象,围绕危险目标检测所需的两个主要技术:目标检测和目标距离检测,做了深入的研究,提出基于低成本的视觉传感器的目标检测算法和距离检测算法:基于多任务学习的多目标检测算法和基于笛卡尔积的多目标检测算法来检测车辆前方的障碍物;针对障碍物距离检测问题,提出两种基于视觉的障碍物距离检测的方法,融合检测信息分析出危险的目标,为汽车的辅助驾驶和自动驾驶提供技术支撑。本文的主要章节包含以下工作和贡献: 1.针对车型分类的问题,提出了一种融合视觉注意力的深度强化学习方法。卷积神经网络(Convolutional Neural Network,CNN)架构非常适合处理图像数据,为识别图像中前方车辆提供了切实可行的解决方案。然而对于车辆识别来说,不同类别车辆之间只存在细微局部的差别。将整幅图像作为输入,环境噪声所引起的变化通常更加显著。为了消除环境噪声影响,使细微局部特征更加显著。将人的视觉注意力机制引入到传统的CNN网络,通过制定相应的规则来寻找具有判别性的关键区域,削弱图像中背景信息对神经网络的影响,增强与目标有关的区域对任务的影响,进而增强CNN提取特征的能力,达到更好的分类效果。同时本文采用深度强化学习的方法,处理从一个关键区域转移到另一个关键区域的决策问题,构建深度神经网络,利用当前状态的识别结果的信息熵大小作为奖惩值,训练网络使其能够自动寻找出对分类有帮助的关键区域,进一步减少冗余信息,提高分类的鲁棒性。 2.针对复杂交通场景下目标检测问题,提出了一种融合目标距离和目标类别的多任务目标检测的方法,实现检测障碍物,并且对障碍物的距离进行粗分类,简单判断目标的危险性。单一任务学习是忽略任务之间可能存在的关系,而多任务学习则看重任务之间的联系,通过联合学习,不同任务之间共享相同的参数,挖掘不同任务之间隐藏的共有数据特征。在规则化的道路中,前方行驶的车辆的距离和车辆本身的属性有很强的关系,比如垂直距离影响车辆的清晰度和大小,水平距离影响车辆的姿态。考虑目标的距离和目标检测的相关性,采用多任务学习的方法,构建深度神经网络,同时实现目标定位,目标分类和目标距离检测。多任务学习的方法不仅仅通过增加目标距离检测任务来提高目标检测的精度,同时预测出的目标距离是智能驾驶的环境感知中的一个非常重要的信息。本文通过检测的距离来评判目标的危险等级,给驾驶员提醒。 3.考虑到目标类别和目标距离的相关性,提出一种新的基于笛卡尔积组合的目标检测和目标距离检测的多任务学习方法。在理论上证明了传统的线性组合的多任务学习方法的损失函数是基于笛卡尔积的多任务学习方法的损失函数的一种特例。当几个任务相互独立的时候两个损失函数相等,因此基于笛卡尔积的多任务学习的损失函数更加全面的考虑任务间的相关性。将目标识别和距离检测通过笛卡尔积组合,共享两个检测任务各自的抽象特征,一个网络完成两个任务,减少计算量,提高模型泛化能力和检测精度。 4.在智能驾驶中,目标距离信息是智能车辆感知前方障碍物的一个关键信息,也是判断目标危险性的必要信息。本文提出基于单目图像检测前方障碍物的距离,采用两种方法检测前方障碍物距离,一种是采用几何的方法,即已知相机的内外参,根据目标障碍物和地面的交线与本车的几何关系以及图像坐标、相机坐标和世界坐标的转换关系得到目标的距离,这种方法简单、计算快速,适用于规则化道路中的车辆距离检测。另一种方法采用神经网络检测前方障碍物距离,这种方法减小了远距离目标检测不准确而带来的误差。 5.本文针对交通场景中运动的目标检测和目标距离检测的问题,提出了一种考虑目标运动特性,即位置、距离和目标大小的追踪算法,此算法可以进一步修正目标检测中的误检和漏检,提高距离检测的准确率。本文根据检测到的目标检测框,目标距离,目标大小三者构建神经网络,实现多目标追踪,同时获得每一时刻目标的距离信息。