原文传递
轻量级深度学习车辆检测算法与碰撞预警技术研究
| 论文题名： | 轻量级深度学习车辆检测算法与碰撞预警技术研究 |
| 关键词： | 车辆向前碰撞预警;深度学习;目标检测模型;多数据融合 |
| 摘要： | 汽车成为现如今不可或缺的交通工具，在给人们带来便利的同时也带来了不少安全隐患。在驾驶过程中无意识的跟车过近，常常会导致驾驶员在前方突发紧急情况时无法及时做出反应，从而引发交通事故，给人们带来经济损失的同时，可能造成部分区域的交通拥堵，更有甚者可能会造成一定数量的人员伤亡。车辆向前碰撞预警（ForwardCollisionWarning，FCW）作为高级辅助驾驶系统（AdvancedDrivingAssistanceSystem，ADAS）的一项关键技术，通过在合理的时间有针对性的预警提醒，使驾驶者提前感知危险，从而减少或避免碰撞事故发生。由此可见，FCW对于道路交通安全具有重要意义。本文针对现有FCW系统误警率较高、实时性较差、计算复杂度高、成本高等不足，采用轻量级车辆检测算法来降低整个系统的复杂度，以保证系统的实时性，通过融合自身车辆与前方车辆的距离、相对车速和碰撞时间等多种信息以提高预警精度，最终实现高精度、低时延、多层级车辆碰撞预警。本文的研究工作从以下两方面着手： 首先，由于在现实场景中车载终端计算资源、存储空间有限而大多数深度学习方法存在计算复杂度高、实时性差、模型占用内存大等问题导致无法将其应用到实际驾驶场景中。为此本文提出了基于深度学习的轻量级车辆检测算法，该算法运用设计轻量化网络模型的思想，设计一个轻量级主干特征提取网络——My-MobileNet，并将其搭建到YOLOv4目标检测模型中，在降低车辆检测复杂度、压缩模型大小，提高检测的实时性的同时保证了检测的准确率。通过在多种不同种类、不同尺度的数据集上进行训练，以提高检测算法的鲁棒性。最后通过对在西安市手动采集的数据集和网络上共享的数据集在计算能力较低的场景下进行仿真分析，最终验证在满足实时性需求的条件下，很大程度的压缩了模型大小，并在多种尺度多种场景下有较高的准确率。 其次，在实际驾驶场景中，由于传统的TTC（TimeToCollision）模型衡量指标的单一性导致当前方车辆与自身车辆不在同一车道时，会产生大量误警情况的发生，从而影响驾驶员的正常驾驶。因此，本文从实际需求出发，提出一种基于多数据融合的车辆碰撞预警算法。首先利用Deep-SORT算法对前方车辆进行跟踪，然后根据几何模型实时的计算本车和前车之间的横向和纵向车距，最后利用本车与前方车辆的相对车速、碰撞时间、横向纵向车距等信息融合并对预警阈值进行合理设定，最终将碰撞风险划分两个等级。通过与传统的TTC模型进行对比以验证上述算法的有效性。 |
| 作者： | 左沛昂 |
| 专业： | 电子与通信工程 |
| 导师： | 李长乐;焦日华 |
| 授予学位： | 硕士 |
| 授予学位单位： | 西安电子科技大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
