详情

原文传递基于深度学习的前向车辆检测及防撞预警方法研究

论文题名：	基于深度学习的前向车辆检测及防撞预警方法研究
关键词：	汽车前向防撞预警系统;深度学习;车辆跟踪;运动轨迹预测;防撞预警
摘要：	自动驾驶汽车是当前的研究热点之一，自动辅助驾驶系统能有效提高车辆行驶安全，前向防撞预警系统（Front Collision Warning System，FCWS）是一种高级安全辅助驾驶系统，该系统能够有效预防追尾碰撞，降低交通事故发生率，提高驾驶安全性。针对现有前向防撞预警系统动态目标检测精度低、防撞预警模型简单等问题，利用深度学习网络、模型综合评价等方法，重点开展了基于计算机视觉的前向车辆目标检测网络、运动轨迹跟踪及预测模型，以及前向车辆防撞预警方法等研究。主要研究内容如下：　　（1）提出了基于级联注意力机制的前向车辆检测方法（Cascading Attention Mechanism-You Only Look Once，CAM-YOLO）。针对前向车辆在复杂背景下检测精度较低、远场景下小目标车辆检测难、遮挡条件下漏检率高等问题，本文提出了基于级联注意力机制的前向车辆检测方法。首先，在空间和通道两个不同维度上，设计了级联注意力特征提取模块（ Cascading Attention Feature Extraction Module，CAFEM），实现了复杂背景下输入特征关键信息的深度提取和挖掘；其次，对特征融合网络进行改进，增加一个小目标检测层，增强了远场景下小目标特征信息的提取能力；然后，采用距离交并比—非极大抑制（ Distance Intersection Over Union Non-Maximum Suppression，DIOU-NMS）方法，对预测框准确地回归，改善密集遮挡车辆目标的漏检问题；最后，在KITTI数据集与BDD100K数据集上，进行了消融实验、对比实验等验证实验，本文方法的平均精度均值分别达到了98.13%和60.60%。实验表明，本文方法能够显著提高多种场景下的前向车辆检测能力，检测效果相对较好。　　（2）提出了前向车辆运动轨迹跟踪及预测方法。针对前向车辆跟踪效果不佳的问题，本文提出了改进的Deep SORT（Simple Online and Realtime Tracking with a Deep association metric ）前向车辆运动轨迹跟踪及预测方法。首先，将CAM-YOLO检测网络替代Deep SORT原有的检测网络，提高检测精度；其次，对Deep SORT原有的深度表观描述网络在车辆重识别数据集上进行重新训练，提高车辆特征匹配的准确率；然后，利用长短时记忆（Long Short Term Memory， LSTM ）网络对短时间内的前向车辆未来运动轨迹进行预测；最后，在KITTI-Tracking数据集上进行了跟踪对比实验，实验表明，本文方法跟踪准确度达到了63.1%，跟踪精度达到了81.2%。　　（3）提出了基于模糊综合评价的前向车辆防撞预警方法。针对现有前向防撞预警模型设计简单、未能充分考虑前向车辆的运动参数信息等问题，提出了基于模糊综合评价的前向车辆防撞预警方法。首先，建立了前向车辆横纵向测距模型，对前向车辆进行精确测距；其次，根据车辆制动距离等参量，构造了前向车辆防撞预警激活区域，结合前向车辆运动轨迹预测信息，分析了前向车辆提前、延迟或不进入预警激活区域的不同工况；然后，综合考虑了前向车辆的坐标位置、横向距离、自车车速、碰撞时间（Time To Collision，TTC）等参数，利用模糊综合评价法设计了前向车辆防撞预警方法；最后，对本文所提方法进行了验证实验，实验表明，本文方法效果较好，能够满足前向车辆防撞预警系统的要求。
作者：	刘旭慧
专业：	交通运输
导师：	邓天民
授予学位：	硕士
授予学位单位：	重庆交通大学
学位年度：	2023