论文部分内容阅读
随着国民经济的飞速发展,汽车保有量逐年增加,在方便人们日常生活的同时也带来了一系列的交通安全问题。为提高驾驶安全性,减少交通事故的发生,车辆辅助驾驶系统应运而生。安全可靠的车辆辅助驾驶系统通常需要连接互联网,然而传统互联网存在通信效率低,传输时延大的问题。双结构网络主张在互联网主结构的基础上增加基于“辐射-复制”模型的播存次结构网络,能够有效降低通信负载,减少时延。借助具有丰富语义特征的统一内容标签(Uniform Content Lable,UCL),车辆辅助驾驶系统能够规范化目标信息,实现安全的网络通信。车辆辅助驾驶系统需要很多方面的技术支持,其中目标检测与跟踪就是关键技术之一。然而现实场景复杂多变,难以对目标进行准确、高效的检测与跟踪。在目标检测任务上,SSD检测算法由于具有实时的检测速度以及较高的检测精度而得到广泛的研究与应用,然而该算法存在对小目标漏检率较高的问题。在目标跟踪任务上,单一的目标跟踪算法难以解决上述跟踪任务中的难题,跟踪效果往往较差。针对上述问题,本文提出一种基于特征融合的BSSD(Bidirection Single Shot Multibox Detector)目标检测算法,并基于该算法提出一种基于BSSD检测与运动状态估计的目标跟踪算法BSSD-MSE(Bidirection Single Shot Multibox Detector And Motion State Estimation),以实现对目标快速、准确的跟踪。在此基础上,设计面向车载视觉的目标检测与跟踪系统,对本文所提算法进行实验验证。本文的主要研究工作如下:(1)针对传统SSD算法难以检测小目标的问题,提出一种基于特征融合的BSSD目标检测算法。首先借鉴FPN中特征融合的思想及YOLOV2中Passthrough的理论,对不同尺度的特征层进行融合,构建信息丰富的特征层,用于小目标检测;随后对传统SSD算法的数据扩增策略进行改进,增加小采样比例,并提出一种新的数据扩增策略,丰富小目标训练样本集;接着将Focal Loss融入到损失函数中,降低数据不均衡问题对模型产生的影响;最后对检测的目标信息进行UCL标引,方便目标跟踪模块快速提取检测目标,并上报标引结果,通过广播将其分发到其他车载终端。(2)针对单一的目标跟踪算法难以应对复杂多变的跟踪环境的问题,提出一种基于BSSD检测与运动状态估计的目标跟踪算法BSSD-MSE。首先使用BSSD目标检测算法及ResNet-18分类算法初始化跟踪目标;随后对目标的状态进行划分,综合运用卡尔曼滤波算法与核相关滤波算法对不同状态下目标进行运动状态估计;接着根据关联矩阵,对运动状态估计结果及检测结果进行关联,并对目标的状态进行转换,实现对目标的跟踪;最后使用UCL封装跟踪的目标信息,并上报封装结果,以协助其他车载终端做出正确的驾驶决策。(3)结合双结构网络的特点,实现面向车载视觉的目标检测与跟踪原型系统,并通过实验对本文所提的BSSD目标检测算法及BSSD-MSE目标跟踪算法进行验证。实验结果表明,BSSD算法较传统的SSD算法具有更高的平均精度及召回率,能够检出更多的小目标;BSSD-MSE算法能够较好的应对复杂的跟踪环境,跟踪速度较快,鲁棒性较好,能够实现对目标长期、准确的跟踪。