详情

原文传递基于YOLOv4改进算法的自动驾驶目标检测技术研究

论文题名：	基于YOLOv4改进算法的自动驾驶目标检测技术研究
关键词：	自动驾驶;目标检测;注意力机制;轻量化设计;YOLOv4改进算法
摘要：	近年来，由于驾驶人自身在驾驶过程中存在的问题，导致交通事故率随之大幅增加。为保证行驶过程中的安全性，减少损失，自动驾驶已经成为了解决传统驾驶问题的研究方向。汽车自动驾驶实现的先决条件就是对道路上的目标进行准确的探测。当前，基于深度学习的物体探测方法虽然能够有效的解决普通场景中的问题，但由于环境变的复杂，图像的识别准确率降低。在此背景下，以自动驾驶的复杂场景为前提，展开相关算法的研究，具体内容如下：　　（1）针对自动驾驶复杂场景下建立数据集AutopilotDataSet（ADS）。对比分析了三种常用算法，两阶段目标检测算法FasterRegionswithCNNfeatures（FasterR-CNN）、单阶段目标检测算法SingleShotMultiBoxDetector（SSD）和YouOnlyLookOnceVersion（YOLO）。在构建的ADS数据集上根据评价指标进行仿真，结果表明YOLOv4在复杂的场景下mAP为78.55％，检测速度为31.84f/s，与其它两种方法比较，在保证检测速度的前提下，准确率更高。因此使用YOLOv4作为本文的框架。但是在复杂的环境下算法的检测精度仍需提高，需要进一步进行研究。　　（2）分析了在复杂场景下影响检测精度的因素，并提出了融合注意力机制以及使用改进的非极大值抑制算法等解决方案。为了提高小目标的空间相关性和通道相关性，引入了CBAM注意力机理；同时为了加强多尺度特征融合，增加了一个YOLO预测头，构建4尺度预测。为了提高遮挡目标定位的准确性，使用CIoULoss作为回归损失函数，然后将A-NMS的阈值策略、Soft-NMS的衰减方式以及DIoU-NMS中的DIoU评价方式融合进了非极大值抑制算法Soft-DIoU-ANMS。实验表明改进后的算法在ADS数据集上mAP达到了83.24%，同时改进后的算法在VOC2007数据集上保持着较高的检测精度，证明了改进后算法具有很好的泛化能力。但是改进后算法的检测速度仅为28.54f/s，略有降低，因此需要针对这一问题做进一步研究。　　（3）分析了在复杂场景下影响检测速度的因素，并提出了采用深度可分离卷积以及轻量化网络模型等解决方案。为了加快检测速度，在第三章网络结构的基础上，使用GhostNet进行特征提取，克服了原算法网络模型庞大的问题，减少了参数量的计算。为了验证改进后的算法的检测能力，在构建的ADS数据集上进行实验验证，结果表明改进后算法的mAP达到了81.83%，检测速度为35.63f/s，以牺牲小精度为代价，使检测速度得到了较大提升，满足自动驾驶实时性的要求。　　（4）搭建自动驾驶场景的识别系统。明确系统需求，进行总体方案设计，使用本文改进后算法训练出的模型作为系统的识别模型。利用ADS数据集进行系统功能验证，同时为了验证改进后算法的泛化能力，在学校中进行图像的采集，对学校的不同场景进行拍照，在改进后算法上进行检测，验证算法的检测能力。
作者：	何小昆
专业：	电子信息
导师：	姜艳姝
授予学位：	硕士
授予学位单位：	哈尔滨理工大学
学位年度：	2023