论文部分内容阅读
随着我国经济和工业的迅速发展,人们的生活水平也逐渐得到了提高,越来越多的家庭都购买了汽车,我国汽车的保有量逐年增加。随之加剧了城市交通的拥堵,导致了交通环境越来越恶劣,造成了交通追尾相撞事故的发生。这一问题可以利用智能交通系统来解决,而该系统中较为重要的组成部分是智能汽车,要能够检测并识别前方车辆,计算与前方车辆之间的距离,与前方车辆保持合适的安全行驶距离,这样可以给驾驶员有一定的时间来做出相应的措施,减少与前方车辆追尾相撞事故的发生率。因此,对前方车辆的检测与测距是智能汽车的核心部分,保证了车辆行驶过程中的安全。本文结合近几年提出的深度学习,对深度学习在图像检测方面的应用进行了相关研究,同时在传统的基于单目视觉的几何测距模型的研究基础上,利用数学回归建模的思想,提出了一种基于径向基函数神经网络的测距模型。本文主要研究了基于深度学习的前方车辆检测与测距算法,其主要研究内容如下:首先,阐述了前方车辆测距技术的研究背景与研究现状,并对现有各种前方车辆检测算法和测距算法进行了总结与归纳,并说明了基于机器学习的前方车辆检测算法与视觉测距算法的优越性。其次,研究了基于机器学习的前方车辆检测算法,主要详细的描述了基于Adaboost的前方车辆检测算法和基于深度学习的前车车辆检测算法的算法步骤,对比了两种算法的实验结果,从对前方车辆检测的正确率、检测时间等分析了深度学习相对于Adaboost的优势。然后,研究了基于计算机视觉的前方车辆测距算法,详细了描述了传统的基于单目视觉的几何成像模型,考虑到几何成像模型中的成像系统误差、摄像机的透镜畸变、摄像机标定过程中的误差等带来影响,以及道路几何约束条件,利用数据回归建模的测距思想,利用径向基函数神经网络的隐含层来解决上述问题,提出了基于径向基函数神经网络的测距模型。最后,提出了基于深度学习的前方车辆测距算法,通过Faster R-CNN中的区域建议网络,利用其多尺度的锚点以及回归输出层得到候选区域,随后快速区域卷积神经网络对候选区域进行处理从而检测到图像中的前方车辆,最后将检测前方车辆的边框信息输入到利用径向基函数神经网络训练的测距模型,得到前方车辆的距离。而KITTI数据集验证了前方车辆测距模型的可靠性,能够满足前方车辆测距的基本要求。