原文传递
基于机器视觉融合的车辆检测跟踪算法研究
| 论文题名： | 基于机器视觉融合的车辆检测跟踪算法研究 |
| 关键词： | 车辆检测;跟踪算法;机器视觉;多目标跟踪 |
| 摘要： | 智能汽车环境感知系统通过各类车载传感器获取本车周围道路信息，为后续车辆决策提供参考依据。目前主流的毫米波雷达与视觉传感器融合方法中，基于深度学习视觉检测算法模型较复杂且参数量多，影响目标检测实时性；毫米波雷达无法提供高度信息，在复杂拥堵场景下易发生误检漏检情况。本文提出一种决策级信息融合算法，分别使用毫米波雷达和单目相机对车辆检测跟踪，从视觉传感器检测跟踪、雷达目标筛选跟踪、传感器信息融合策略三个方面对现有研究进行优化设计，主要研究内容如下： （1）针对检测精度高但模型复杂、检测速度较慢的YOLOX卷积神经网络，以CBS模块代替骨干网络中ResblockBody模块，降低模型复杂度；在ShuffleNetV2基础模块中加入SE注意力机制，并以此结构替换颈部网络CSPLayer模块；在骨干网络输出的3个特征层中加入CBAM注意力模块，提升模型检测性能，并使用KITTI数据集对新的卷积神经网络训练。深层残差网络替换DeepSort原始重识别网络，提出优化的DeepSort多目标跟踪算法。测试结果表明：提出的检测跟踪算法提高视觉检测稳定性，具有实时准确的检测效果。 （2）根据毫米波雷达选型，首先对雷达原始数据进行解析和数据处理，滤除静止目标、虚假目标。建立匀加速车辆运动学模型，提出基于平方根容积卡尔曼滤波和联合概率数据关联的多目标跟踪算法。仿真结果表明：提出的跟踪算法可实现持续准确跟踪。 （3）建立毫米波雷达和视觉传感器决策级信息融合算法。通过坐标转换关系完成传感器空间融合，以毫米波雷达采样周期作为融合后的采样周期完成传感器时间融合。建立视觉传感器和毫米波雷达融合策略，根据毫米波雷达投影生成感兴趣区域与视觉传感器检测区域重叠面积不同，输出相应雷达与视觉传感器融合结果。最后，搭建实车验证平台并采集真实道路数据，离线处理道路数据。 总之，在光照充足、结构化城间道路环境下，本文提出视觉检测跟踪算法有效提高目标检测准确性和实时性，决策级信息融合算法可实现本车前方存在多车辆目标时准确稳定检测与跟踪，明显降低车辆检测跟踪漏检和误检率，在多种道路场景下均具有良好环境适应能力。 |
| 作者： | 张明甲 |
| 专业： | 车辆工程 |
| 导师： | 李建华 |
| 授予学位： | 硕士 |
| 授予学位单位： | 吉林大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
