原文传递
基于深度学习的车尾检测及尾灯状态判断
| 论文题名： | 基于深度学习的车尾检测及尾灯状态判断 |
| 关键词： | 车尾检测;尾灯状态判断;深度学习;网络轻量化;CPU |
| 摘要： | 准确的前车驾驶行为判断是交通安全的重要保障，而直接体现车辆驾驶行为或意图的关键依据之一即是前车的尾灯状态。准确快速判断出前车的尾灯状态对道路交通安全和自动驾驶技术有重要意义。本文基于普通CPU设备对白天和黑夜等多场景的前车尾灯状态判断展开深入研究，同时考虑算法的精度和实时性，主要的研究工作总结如下： （1）实车采集高速和城市路段不同光照下的行车视频数据，通过拆帧、筛选、图像标注以及数据增广等操作创建了车尾检测数据集。并基于标注数据裁剪出车尾目标，用于车辆刹车状态的分类识别任务。 （2）分析了车尾检测的意义，并以YOLOv5s作为车尾检测的基准网络，通过替换Focus层、减小网络宽度对网络进行轻量化，并基于双向特征融合改进颈部网络以降低精度损失。最终改进模型在创建的车尾检测数据集上实现了0.760的mAP@0.5，相比YOLOv5s下降了0.035。另外，在普通CPU设备上对1920×1080分辨率的视频数据进行测试，改进模型平均每帧的推理时间为50ms，达到20FPS，相比YOLOv5s快了两倍以上。 （3）分析了尾灯识别的难点，分开处理刹车灯与转向灯的状态判断。首先通过搭建简易的MobileNetv3网络单独对刹车灯状态进行分类识别，而转向灯状态通过识别其闪烁特征实现判断，包括目标跟踪、尾灯对区域定位以及转向灯信息提取，并提出参数M来表征转向信息的强弱，最后搭建时序卷积网络（TCN）提取M的变化特征对转向灯状态进行分类识别。 （4）最后评估了整个尾灯状态判断算法在普通CPU设备上的精度和实时性，结果显示刹车灯行为和转向灯行为的检出率分别为97.2%、85.8%，在8G运行内存的PC上实现17FPS的处理速度。 |
| 作者： | 唐磊 |
| 专业： | 车辆工程 |
| 导师： | 张平 |
| 授予学位： | 硕士 |
| 授予学位单位： | 长安大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
