基于深度學習的駕駛關注區(qū)域檢測方法研究.pdf

1、隨著車輛的不斷增多，在車輛行駛的過程中，一些駕駛人員的不良駕駛習慣致使交通事故頻發(fā)，從而安全駕駛得到了越來越多的關注。作為一種潛在的解決方案，智能駕駛技術將成為一個研究熱點。同時作為智能駕駛的一個關鍵技術，駕駛關注區(qū)域檢測方法對智能駕駛或者智能預警系統的性能具有重要影響。駕駛關注區(qū)域指的是車輛行進過程中前方道路區(qū)域。它可以為智能駕駛車提供道路環(huán)境信息以便于決策。
　　目前常用的道路檢測方法大致可以分為兩大類。一類主要是利用特定的道

2、路標志線特征來進行道路檢測，事先建立道路模型，并且確立模型約束，然后利用標志物特征檢測結果估計模型參數。另一類則主要是關注道路區(qū)域的分割，通過提取道路圖像的顏色、紋理、梯度等特征信息來訓練分類器。然而，由于車道的形態(tài)多樣、光照變化、陰影等多種因素的影響，大多數已有的道路檢測方法所提取的特征魯棒性通常不夠強。
　　針對現有方法存在的不足，本文基于深度學習，提出一種有效的駕駛關注區(qū)域檢測方法。我們首先利用 SSD模型訓練得到深度特征，

3、并將所提取的深度特征用于隨機森林訓練，采用隨機森林回歸得到精確的地平線估計；其次，基于攝像機模型，采用攝像機自標定的方法得到攝像機的內外參數；再次，利用Canny邊緣檢測及k-means聚類實現消失點的估計；最后，基于所得到的各種估計，建立道路檢測模型，并進一步實現路面區(qū)域的分割。
　　為了驗證本文實驗方法的可行性和有效性，我們在數據集 KITTI以及Guangzhou_ADAS上進行了地平線檢測實驗。檢測結果表明：與現有方法相比