原文传递
基于车载长短焦相机的目标检测与融合技术研究
| 论文题名： | 基于车载长短焦相机的目标检测与融合技术研究 |
| 关键词： | 自动驾驶;长短焦相机;目标检测;特征融合;轻量级神经网络 |
| 摘要： | 目标检测是计算机视觉中非常重要的研究领域，在智能驾驶、卫星遥感、机器人视觉等领域均得到广泛应用。环境感知模块作为自动驾驶的“眼睛”，全面而准确的检测对于自动驾驶的安全性极为重要。当前，一种成本低的方式是基于相机传感器的视觉检测方法，大多数方法采用单一焦距的相机，无法兼顾大视野和远距离小目标的检测，因此本文提出了一种基于长短焦相机的目标检测与融合算法。主要研究内容如下： 1.针对实时性要求，本文构建了轻量级神经网络YOLOv4-Tiny作为目标检测基本框架。同时探究了多种注意力机制的作用，并将混合注意力机制引入神经网络YOLOv4-Tiny中，使网络更加关注重要的通道特征和空间信息，在不增加计算耗时的情况下提升目标检测网络的性能。 2.针对远距离小目标难以检测的问题，本文提出了长短焦相机目标检测与融合的方法。首先，根据长短焦相机像素焦距比以及归一化互相关匹配算法建立长短焦相机中目标的映射关系。其次，通过构建关联矩阵对长短焦相机中的目标进行分析与匹配。最后，根据置信度、目标中心点坐标、目标尺寸等信息对长短焦相机中的目标进行融合，实现兼具大视野与小目标的目标检测。 3.为了提高网络模型在真实交通场景下的鲁棒性，本文构建了交通目标检测数据集，并对数据集进行了Mosaic数据增强。采用K-Means方法对数据集中所有的目标标签聚类，获取具有代表性的先验框，有助于网络训练时快速收敛。利用TensorRT对训练好的网络模型进行优化，并部署到嵌入式平台JetsonAGVXavier上。最后，将目标检测结果输入到AR-HUD系统，实现近车预警功能。 4.为了验证本文目标检测网络改进的有效性，本文分别在BDD100K自动驾驶数据集，以及自建的交通目标检测数据集上进行了测试。实验结果表明，本文所提出的改进网络在检测精度方面均优于其他轻量级目标检测网络。除此之外，采用本文提出的长短焦目标检测与融合方法，在自建的长短焦数据集上进行测试，检测准确度达到98.9%，目标检测可视距离由65米提升到105米。 |
| 作者： | 王鑫 |
| 专业： | 机械工程 |
| 导师： | 冯明驰 |
| 授予学位： | 硕士 |
| 授予学位单位： | 重庆邮电大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
