论文部分内容阅读
提高前方车辆目标的辨识能力是目前汽车先进驾驶辅助系统(ADAS)研发的关键技术之一,对汽车的主动安全技术的发展具有一定的促进作用。本课题借鉴人工智能领域的机器学习理论和物联网领域的边缘计算理论,通过Haar特征分类器训练技术和Adaboost机器算法相结合,借助计算机视觉平台OpenCV进行分类器的离线训练。随后,与4G网络模块联合来搭建基于边缘计算的在线识别系统,将所得到的车辆分类器文件加载至所使用的嵌入式机器视觉OpenMV模块,并结合图像采集与处理技术,对前方车辆的在线检测展开研究。最后,参考相关国家标准,制定了测试方案,并进行实车道路场景测试。经验证,基本上满足FCW和AEB系统中对车辆目标辨识的需求,所设计的前方车辆识别系统和方法具有一定的可行性和实用性。本课题来源于福建省客车及特种车辆研发协同创新中心子课题——《基于激光测距和视觉信息融合的行车安全辅助系统研制》以及校外实习企业的在研项目《FL05基于机器视觉的嵌入式FCW系统研发》,主要研究内容包括:1.基于OpenCV车辆分类器的离线训练与生成。主要对前方车辆识别所使用的分类器文件的训练和生成作了详细论述,包括前方车辆的特征研究、基于Haar的车辆特征提取和弱分类器的训练、基于Adaboost机器学习算法的级联分类器生成。最后,还在VS平台对分类器文件在不同道路场景的样本图像下展开软件测试,还对测试结果的失效场景展开分析,并给出改进思路和建议。2.基于OpenMV的前方车辆在线识别。本文对STM32H7系列单核MCU为主控芯片的机器视觉模块展开了研究,探索MicroPython语言在嵌入式应用层程序的开发与应用,并完善其图像采集和处理技术。另一方面,还对OpenMV的固件进行二次开发,探索了基于Linux系统下对ARM芯片的交叉编译技术。此外,还详细论述了基于边缘计算概念的在线识别的流程、分类器文件在OpenMV模块上加载与测试,还对嵌入式软件程序作了调试和优化,以实现前方车辆的在线实时识别的功能。3.道路场景验证与实车测试。主要围绕前方车辆识别系统和方法的测试作出详细论述,其中包括所参考的相关国家标准,测试系统搭建与测试环境,测试方案设计和实际道路环境测试与主观评价。实车道路测试验证了所设计的硬件和软件程序,其算法稳定性良好,能对道路上不同车辆的进行有效的识别。本课题的实施为嵌入式单核ARM芯片在ADAS相关产品的研发与应用开辟了新思路。这一低成本、高性价比的嵌入式软、硬件平台,对FCW和AEB系统技术未来的大规模应用和发展,在一定程度上将带来积极的促进作用。