原文传递
基于深度学习的行车安全预警系统研究
| 论文题名： | 基于深度学习的行车安全预警系统研究 |
| 关键词： | 深度学习;车辆检测;单目视觉;测距技术;轻量化网络 |
| 摘要： | 对汽车行驶安全保障方法的研究是当今驾驶领域的热门研究方向，为了有效预防汽车行驶过程中碰撞事故的发生，并及时发出准确的预警信号，需要一种能快速准确地进行车辆检测，并对车辆进行精准测距的算法模型。当前大部分车辆检测模型难以满足预警系统对检测速度、精度以及模型体积的要求，同时在测距方面，传统测距方法的测距精度不能满足预警实际需求。针对以上问题，本文提出一种基于深度学习的行车安全预警系统，主要工作内容如下： （1）针对YOLOv5s模型体积较大、检测精度不足以及收敛速度慢的问题，本文提出了轻量化的行车安全预警系统，本文首先使用MobilenetV3-small轻量化网络代替YOLOv5s网络的主干部分，大幅度减少了网络的参数量，降低了模型的大小并提高了检测的速度，同时针对检测精度不足的问题，本文在MobilenetV3-small主干网络结构中融入了多个ECAnet注意力机制模块，以提高网络的检测精度，最后为了加快模型收敛的速度并进一步提高检测的准确度，本文将原网络的损失函数CIoU_Loss替换为SIoU_Loss。实验表明，改进后的算法模型大小降低了49.6％，mAP提升了1.55%，推理时间下降了5ms，算法的整体性能有明显提升。 （2）针对传统测距方法测距精度受到车型大小影响的问题，本文提出了基于检测框下边沿中心点的车辆测距模型，通过使用单目视觉摄像头及车辆检测算法获取前方车辆的位置信息，并通过车辆检测框得出的下边沿中心点坐标，以及相机安装的俯仰角信息综合建立了车辆测距模型，解决了车型大小带来的误差问题，同时通过构建三角函数模型，解决了前车相对于实验车辆存在的X轴分量问题。实验表明，改进后测距模型的测距精度不受车型大小的影响且能考虑到前车位置的X轴分量问题，改进后的测距模型相对于传统测距模型，测距误差降低了约1.5%，改进后测距方法的测距精度明显提高。 （3）设计了行车安全预警系统的GUI图形界面，集成了模型选择功能、检测方式选择功能、距离提示功能、预警信息提示功能。并将改进的行车安全预警系统模型移植部署到EA-B310H嵌入式设备环境中，随后进行了静态车辆实验验证以及实际道路动态车辆实验验证。实验表明，本文所设计的行车安全预警系统具有较好的车辆检测和车辆测距功能，并能在低于安全距离时及时给出预警信号。 |
| 作者： | 范振强 |
| 专业： | 电子信息 |
| 导师： | 邵磊;赵龙 |
| 授予学位： | 硕士 |
| 授予学位单位： | 天津理工大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
