详情

原文传递极端环境下基于计算机视觉的目标检测与测距研究

论文题名：	极端环境下基于计算机视觉的目标检测与测距研究
关键词：	智能驾驶;目标检测;单目测距;图像去噪;极端环境
摘要：	科技的发展与进步促使自动驾驶行业逐渐成为全球汽车产业发展的重要战略方向。但自动驾驶车辆面对如：大雨、大雾、大雪等极端环境时，智能汽车图像采集与处理系统将面临巨大挑战。并且自动驾驶需要关注周围物体的威胁，实时进行目标检测以及精确测量周围目标的距离是提高汽车安全性的可行之策。本文首先训练出一种天气分类模型，实时识别当下天气情况。其次针对不同天气情况采取不同的图像去噪方法来提高图像质量。天气前处理完成后将采取改进的Yolo模型对前方行人、车辆等道路环境目标进行目标检测。最后对目标检测定位到的物体采用改进目标点的测距方法进行距离测量，为自动驾驶主动安全行为提供支持。本文主要工作如下：　　(1)为了实时识别出当下的天气情况，利用卷积神经网络搭建了天气分类模型。针对搜集到的天气图像数量少且不具代表性的问题，通过改进mosaic和图像合成手段进行数据增强与扩充。为了提升模型精度，将数据集划分成6种大小不同的批尺寸，改进激活函数并引入模型优化方案。最终将数据集输送到天气分类模型训练后，得到了良好的权重系数。该模型可以对实时出现的晴天、雨天、雾天、雪天四种天气进行识别分类，分类精确度可达93.46%。　　(2)针对不同的天气则采取不同的图像前处理方法来提升图像质量。雾天天气时，针对当下求解的透射率会导致去雾结果出现光晕、伪影现象，本文采用加权最小二乘法细化透射率。针对四叉树法得到的大气光值不精确的问题，通过提高图像上半部分的得分权重系数来提升估算精度。将上述得到的透射率和大气光值代入大气散射模型完成去雾处理；面对雨天环境则采取主成分分析方法获取雨线图中雨线噪声的大小和形状信息，并将其与自适应阈值进行比较。当满足条件时，利用中值滤波将雨线与之邻近的无雨背景层进行映射来恢复图像；雪天天气时，本文在去雨算法的基础上引入形态学开运算，完成对图像中雪斑的进一步处理。通过与经典算法定性以及定量比较，所提算法在结果中具良好的有效性和优越性。　　(3)对汽车周围物体进行感知与定位可以大幅减少碰撞的发生。为了适应道路目标物体的尺寸大小，本文在Yolo-v3目标检测模型的基础上修正了网络锚框。针对负样本数量过多会对损失函数造成负面影响的问题，改进了损失函数并加大对负样本损失函数的惩罚力度。为了更好、更快的让网络学习到目标信息，本文在特征提取网络中加入自下而上的特征融合渠道以及注意力机制。通过与其他目标检测算法的对比可以看出，本文所提算法有良好的目标检测精度。在道路环境样本中，检测平均准确率可达75.17%。　　(4)精确的对目标进行测距可以提高汽车安全性能。为了测量出目标检测得到的物体距离，本文首先完成了世界坐标到图像坐标系的公式推导，标定了相机内外参数。针对当下侧向物体测距时测量精确度不高的问题，在确定目标物与本车中心点之间的倾斜角度后，本文在横向距离上加入了加权偏移量来精确求解目标点。将目标点代入测距模型中进行验证，在实车测量和统计结果发现，本文所提算法提高了测量精度，将150米内测量精度控制在正负5%之间。　　通过将所提算法与经典算法进行验证对比，结果表明本文极端环境下的目标检测与测距方法具有良好的有效性和可行性。将处理后的图像输送到目标检测和测距模型，提高了目标检测和测距精度，为自动驾驶主动安全行为决策提供必要的技术支持，使得自动驾驶汽车应用在极端环境变得可行。
作者：	郑水利
专业：	车辆工程
导师：	陈星
授予学位：	硕士
授予学位单位：	重庆交通大学
学位年度：	2022