基于深度學(xué)習(xí)的道路車輛檢測(cè)方法研究.pdf

1、城市化的高速進(jìn)展及汽車產(chǎn)品的廣泛普及，隨之帶來(lái)的負(fù)面影響使得交通事故頻發(fā)，汽車的駕駛安全問(wèn)題已然成為全球性必然存在的關(guān)注主題。在此背景下，發(fā)展和提高汽車的智能化技術(shù)顯得尤為重要。汽車高級(jí)駕駛輔助系統(tǒng) ADAS（Advanced Driver Assistance Systems）作為智能化車輛系統(tǒng)IVS（Intelligent Vehicle System）的關(guān)鍵組成，能夠有效地提高汽車主動(dòng)安全性能，提升智能化。而道路前方車輛的實(shí)時(shí)檢測(cè)

2、作為ADAS的主要實(shí)現(xiàn)功能之一，能夠有效“預(yù)知”未來(lái)一段時(shí)間內(nèi)前方道路的碰撞安全隱患，及時(shí)向駕駛操作人員發(fā)出有效的警告信號(hào)，是實(shí)現(xiàn)車輛間防碰撞的關(guān)鍵技術(shù)之一，能夠?qū)崿F(xiàn)道路交通事故中的人員傷亡比例的有效減少。
　　首先，本文分析道路車輛的車底陰影這一明顯特征，為了降低光照變化對(duì)算法魯棒性的影響，提出了基于單目視覺(jué)的車底陰影分割算法。采用環(huán)境工況分類的方法，將日間的交通場(chǎng)景灰度圖像按閾值特點(diǎn)可區(qū)分成正常工況、強(qiáng)光照工況、弱光照工況三種

3、環(huán)境；為了減少非路面環(huán)境區(qū)域的背景干擾對(duì)車輛檢測(cè)結(jié)果的影響，提出基于邊緣增強(qiáng)的路面檢測(cè)方法，以便于更加準(zhǔn)確地檢測(cè)路面范圍內(nèi)的有效車輛底部陰影；基于路面區(qū)域檢測(cè)圖像，針對(duì)日間道路環(huán)境，提出了自適應(yīng)車底陰影分割算法，實(shí)現(xiàn)車輛候選區(qū)域圖像的可靠檢測(cè)，初步獲取車輛所在位置的有用信息。
　　其次，本文綜合深度學(xué)習(xí)方法（Deep Learning，DL）——卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）這一近

4、來(lái)廣泛流行并應(yīng)用的深層特征學(xué)習(xí)方法，聯(lián)合其結(jié)構(gòu)特點(diǎn)及泛化能力的優(yōu)勢(shì)，分析CNN結(jié)構(gòu)與權(quán)值訓(xùn)練方法，構(gòu)建一種面向道路車輛的深層表達(dá)規(guī)則，以簡(jiǎn)單的數(shù)學(xué)模型實(shí)現(xiàn)原始多維數(shù)據(jù)的更抽象更深層次的非線性特征表達(dá)。在車底陰影分割后所得的車輛候選區(qū)域結(jié)果圖的基礎(chǔ)上，利用深度學(xué)習(xí)的網(wǎng)絡(luò)模型進(jìn)一步實(shí)現(xiàn)對(duì)有限個(gè)車輛候選區(qū)域圖像的精確驗(yàn)證與剔除，實(shí)現(xiàn)車輛的最終識(shí)別。
　　最后，本文面向高速公路及城區(qū)道路特定場(chǎng)景的視覺(jué)圖像進(jìn)行測(cè)試，驗(yàn)證本文的檢測(cè)算法的普遍