论文部分内容阅读
车辆检测与车型辨识是先进辅助驾驶系统的关键技术之一,也是智能交通系统的重要一环,在减少交通事故、保护人员生命财产安全、实现智慧交通等方面具有重要意义。然而,复杂的实际交通场景下多光照、多角度以及多尺度等因素影响,导致目前车辆检测与车型辨识性能低下,鲁棒性差。本文针对车载辅助驾驶系统中单目前视车辆检测识别场景,围绕复杂交通场景下多光照、多角度、多尺度车辆目标快速稳健检测、定位和车型精确辨识问题展开研究,主要研究内容如下:1.针对前视目标定位问题,研究了一种基于深度卷积网络的多尺度前视成像定位模型(MSFI-LM)。在逆透视映射模型原理分析基础上,通过实验标定车载摄像机外部参数,由此建立了精确的空域前视成像模型,基于此模型导出了前视目标定位公式,并映射到多尺度卷积层,从而构建了多尺度前视成像定位模型。实测数据表明,该定位模型的定位精度高,为后续实现检测定位一体化奠定基础。2.针对前视变尺度车辆检测定位问题,实现了一种前视变尺度车辆检测前定位快速算法。首先,结合车载单目前视场景下的车辆特点,将卷积神经网络与空域先验信息进行多尺度融合,并对网络结构进行改进,进而实现了一种嵌入式空域卷积多尺度联合检测方法,避免了全图卷积导致计算效率低下的问题。然后,针对传统的先检测后定位系统中重复执行定位计算的问题,根据多尺度前视成像定位模型提前计算出每个尺度上的距离像,同时将嵌入式空域卷积多尺度检测网络与距离像深度联合,实现了一种前视变尺度车辆检测前定位快速算法,从而在视频车辆定位中只需执行单次定位计算过程。经过实测数据验证,该算法在保持高检测性能的前提下,有效地提高了检测定位计算效率。3.针对低分辨率图像中前视变尺度车辆车型识别率低的问题,实现了一种基于迁移学习的典型车型辨识算法。通过构建结构化参数化典型车型数据库,在嵌入式空域卷积多尺度联合检测架构基础上进行迁移学习,并采用基于困难样本重组的动态学习策略进行训练,获得了高精度车型辨识器,从而有效地提高了低分辨率图像中前视变尺度车辆的车型识别率。实验结果表明该算法的识别性能优于其他算法。