论文部分内容阅读
从全球范围来看,汽车“新四化”的趋势已不可逆,车辆智能化作为其中重要的一环,是当前各大整车厂和零部件公司争相研究的重点。智能车环境感知能力的好坏能在一定程度上衡量其智能化水平,而且智能车感知能力的进步将促进车辆智能化技术的发展。基于单目视觉的前方车辆检测有助于车辆具备感知周围环境的能力,提前分析车辆碰撞的可能,减少事故发生,保障驾驶员,乘客及行人的安全。本文基于深度学习算法开展车辆环境感知方法的研究,提出一种基于YOLOV3算法优化的车辆检测方法,并结合多目标跟踪算法,实现对周围车辆的检测与跟踪。卷积神经网络在图像识别,目标检测领域有着良好的表现,本文首先介绍了卷积神经网络的组成,分析了当前四大主流的目标检测算法的工作原理,结合它们在公开数据集VOC上的检测精度及检测速度,分析了将YOLOV3算法结合轻量化特征提取网络用于车辆检测在嵌入式硬件中运行的可能性。为了实现车辆检测,将YOLOV3-tiny模型作为基础网络,在基础网络模型上训练KITTI数据集中的车辆数据,针对网络检测效果欠佳的状况提出通过优化前馈网络来提高模型检测精度的方法,分别利用Darknet19和Resnet18这两种模型来代替原有特征提取网络,检测精度分别取得3.30%和8.39%的提升。针对模型对小物体检测效果不佳的问题,利用K-means算法聚类出9个Anchor box,在原始网络上进行多尺度实验,最终将检测精度由79.57%提高到93.66%,并在嵌入式硬件TX2开发板上测试了网络模型的运算速度。通过分析当前多目标跟踪算法,选择基于“检测跟踪”的SORT算法来进行道路上的多车辆跟踪,首先利用Kalman滤波器预测每个检测出来的目标的Bounding box参数,通过实验选取Kalman滤波器的最优状态参量,后使用匈牙利关联算法,将检测结果与跟踪结果的IOU值作为衡量参数,得到帧与帧之间的关联结果。针对给同一目标遮挡前后分配不同ID的现象,提出用目标的颜色直方图来表征颜色特征,每个目标的颜色特征用一个192维的向量来表示,并用向量的余弦夹角来表征两个目标的相似程度,将余弦夹角和两目标的IOU值的乘积作为匈牙利算法匹配时的衡量参数,来进行数据关联。实验结果表明,与原始算法相比,本文算法能在实现多目标稳定跟踪的基础上大大降低目标ID的变换次数。