论文部分内容阅读
车辆检测是自动驾驶系统中比较基础的环节,其性能对自动驾驶系统的性能具有重要的影响。相比激光雷达等主动传感器,视觉传感器即摄像机可以通过很小的代价提供更为丰富的信息,因此基于视觉的车辆检测算法得到了广泛的关注和研究。但是现有的基于视觉的车辆检测算法往往针对单一场景设计,在复杂多变的驾驶场景和行车环境中检测性能不够稳定,无法应用于实际的自动驾驶系统,因此实现鲁棒性较强的基于视觉的车辆检测算法具有重要意义。本文主要工作如下:(1)首先对现有车辆检测算法进行了分析和对比,基于各算法的特点和研究的目标,选择了利用卷积神经网络解决车辆检测中的鲁棒性问题。(2)针对现有的基于卷积神经网络的目标检测算法对小目标检测困难的问题,本文在Faster RCNN的基础上提出了基于二阶卷积特征融合的车辆检测算法。该算法融合了不同层的卷积特征进行车辆检测,且将二阶响应变换引入到卷积神经网络中,以进一步提高检测性能。(3)为了提高车辆检测的速度,本文根据车辆目标在视频中的时域一致性,提出了基于时间上下文的区域提取网络。该网络利用上一帧的检测结果和基于水平边缘的车辆检测提供质量更高,但是数量更少的感兴趣区域进行车辆检测,从而减少了运算量,加快了检测速度。(4)本文构建了一个包含不同道路情况、不同天气情况和不同驾驶场景的数据集,并在该数据集上对本文提出的算法进行参数的调整和实验。实验结果表明相对于Faster RCNN和现有的基于多层特征融合的检测算法,本文提出的车辆检测算法在检测小目标时拥有更好的性能,同时也拥有较快的检测速度。通过在不同场景下的实验,论证了本文提出的车辆检测算法相对于基于先验信息和基于传统机器学习的算法拥有更好的鲁棒性。