【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及車輛目標(biāo)檢測(cè)處理，尤其涉及一種應(yīng)對(duì)光線影響的自動(dòng)駕駛yolo目標(biāo)檢測(cè)方法與系統(tǒng)。
技術(shù)介紹
1、在車輛目標(biāo)檢測(cè)處理
，準(zhǔn)確識(shí)別和定位車輛目標(biāo)對(duì)于自動(dòng)駕駛、智能交通系統(tǒng)等領(lǐng)域至關(guān)重要。在自動(dòng)駕駛系統(tǒng)中，通過精準(zhǔn)的目標(biāo)檢測(cè)識(shí)別道路車況，從而實(shí)現(xiàn)自動(dòng)駕駛車輛安全性行駛是一個(gè)關(guān)鍵性任務(wù)，特別是在檢測(cè)到其他車輛后，系統(tǒng)需要根據(jù)實(shí)時(shí)交通狀況和周圍車輛影響做出快速且準(zhǔn)確的決策，從而通過自動(dòng)控制車輛調(diào)速和制動(dòng)實(shí)現(xiàn)自動(dòng)駕駛車輛自動(dòng)避障。隨著技術(shù)的發(fā)展，基于圖像的車輛目標(biāo)檢測(cè)技術(shù)已經(jīng)取得了顯著進(jìn)步，但仍然面臨著多種挑戰(zhàn)，尤其是在光線變化復(fù)雜的環(huán)境中。光線條件對(duì)車輛目標(biāo)檢測(cè)系統(tǒng)的性能有著直接影響，不良的光照環(huán)境如夜間、陰天、強(qiáng)光等會(huì)導(dǎo)致圖像質(zhì)量下降，進(jìn)而影響目標(biāo)檢測(cè)的準(zhǔn)確性和魯棒性。
2、傳統(tǒng)的車輛目標(biāo)檢測(cè)方法主要依賴于手工特征提取和經(jīng)典機(jī)器學(xué)習(xí)算法。這些方法在特定條件下能夠取得一定的效果，但在處理復(fù)雜光照變化時(shí)往往表現(xiàn)不佳。例如，基于邊緣檢測(cè)、角點(diǎn)檢測(cè)等特征的傳統(tǒng)方法在光照變化下容易失效，導(dǎo)致特征提取不準(zhǔn)確，從而影響檢測(cè)性能。
3、隨著深度學(xué)習(xí)技術(shù)的發(fā)展，基于卷積神經(jīng)網(wǎng)絡(luò)（cnn）以及you?only?look?once（yolo）系列網(wǎng)絡(luò)模型的車輛目標(biāo)檢測(cè)方法因其強(qiáng)大的特征學(xué)習(xí)能力而受到廣泛關(guān)注。這些方法能夠自動(dòng)從圖像中學(xué)習(xí)特征，對(duì)光照變化具有一定的適應(yīng)性。然而，現(xiàn)有方法在面對(duì)極端光線條件時(shí)，如強(qiáng)光、陰影、弱光等，仍然存在性能下降的問題。盡管現(xiàn)有研究方法在處理光線影響方面取得了一定的進(jìn)展，但仍然存在局限
4、因此，開發(fā)一種能夠有效應(yīng)對(duì)光線影響的自動(dòng)駕駛yolo目標(biāo)檢測(cè)方法與系統(tǒng)，實(shí)現(xiàn)自動(dòng)駕駛車輛在行進(jìn)過程中應(yīng)對(duì)光線影響下的高精度目標(biāo)檢測(cè)，完成自動(dòng)駕駛行進(jìn)中車況的有效識(shí)別，從而精準(zhǔn)識(shí)別行進(jìn)方向上的車輛目標(biāo)進(jìn)行車輛自動(dòng)避障，具有重要的實(shí)際意義和應(yīng)用價(jià)值。
技術(shù)實(shí)現(xiàn)思路
1、鑒于現(xiàn)有技術(shù)的不足，本專利技術(shù)的目的在于，提供一種應(yīng)對(duì)光線影響的自動(dòng)駕駛yolo目標(biāo)檢測(cè)方法與系統(tǒng)，解決現(xiàn)有技術(shù)中存在的上述明顯缺陷。能夠在各種光照條件下保持高準(zhǔn)確性和魯棒性，同時(shí)具備實(shí)時(shí)處理的能力，以滿足自動(dòng)駕駛在識(shí)別車輛且實(shí)現(xiàn)自動(dòng)避障的需求，提高車輛目標(biāo)檢測(cè)在復(fù)雜光線環(huán)境下的性能。
2、為了解決上述的技術(shù)問題，本專利技術(shù)的技術(shù)方案如下：
3、第一方面，本專利技術(shù)提供一種應(yīng)對(duì)光線影響的自動(dòng)駕駛yolo目標(biāo)檢測(cè)方法，所述檢測(cè)方法包括以下步驟：
4、步驟一：獲取數(shù)據(jù)集
5、使用車載攝像頭在若干街道拍攝街道道路實(shí)際車況，獲取不同街道的不同道路不同時(shí)間段的車輛實(shí)況圖像，構(gòu)成圖像數(shù)據(jù)集；圖像數(shù)據(jù)集中的圖像包含光照充足情況下的圖像和光線微弱情況下的圖像；將圖像數(shù)據(jù)集使用labelimg工具進(jìn)行標(biāo)注，標(biāo)識(shí)出圖像中的車輛目標(biāo)，包括車輛的邊界框和類別信息；
6、步驟二：構(gòu)建應(yīng)對(duì)光線影響的自動(dòng)駕駛yolo目標(biāo)檢測(cè)網(wǎng)絡(luò)模型
7、所述應(yīng)對(duì)光線影響的自動(dòng)駕駛yolo目標(biāo)檢測(cè)網(wǎng)絡(luò)模型，包括主干、頸部和輸出三部分，
8、主干部分自頂向下由頭部的卷積層conv、中間部分和尾部的sppf模塊串行構(gòu)成，其中，中間部分包括四組由幻影卷積ghostconv和ca-c3ghost模塊組成的串行結(jié)構(gòu)；所述頭部的卷積層conv的卷積核大小為2；
9、頸部部分由兩列自底向上的結(jié)構(gòu)組成，第一列由ca-c3ghost模塊、深度可分離擴(kuò)張卷積dsdc模塊、上采樣upsample、concat拼接操作、ca-c3ghost模塊、深度可分離擴(kuò)張卷積dsdc模塊、上采樣upsample、concat拼接操作自底向上依次連接構(gòu)成，第二列由ca-c3ghost模塊、concat拼接操作、深度可分離擴(kuò)張卷積dsdc模塊、ca-c3ghost模塊、concat拼接操作、深度可分離擴(kuò)張卷積dsdc模塊、ca-c3ghost模塊自底向上依次連接構(gòu)成；
10、主干部分的sppf模塊的輸出分別連接頸部部分兩列底部的兩個(gè)ca-c3ghost模塊；主干部分的第三個(gè)ca-c3ghost模塊和第二個(gè)ca-c3ghost模塊的輸出分別連接頸部部分第一列的兩個(gè)concat拼接操作；頸部部分第一列的兩個(gè)深度可分離擴(kuò)張卷積dsdc模塊的輸出分別連接第二列的兩個(gè)concat拼接操作；同時(shí)第一列的最上部的concat拼接操作的輸出輸入到第二列的最上部的ca-c3ghost模塊中；
11、在輸出部分，頸部部分第二列的三個(gè)ca-c3ghost模塊的輸出分別通過三個(gè)卷積核為1的卷積層conv進(jìn)行處理，能夠識(shí)別一張圖像中不同大小的車輛行進(jìn)目標(biāo)，并在圖像中顯示檢測(cè)目標(biāo)的類別信息和邊界框；
12、所述ca-c3ghost模塊包括通道注意力ca模塊，通道注意力ca模塊的輸出分成兩個(gè)支路，一個(gè)支路經(jīng)一個(gè)卷積核大小為1的卷積conv操作、三個(gè)串聯(lián)的幻影卷積ghostconv處理獲得第一輸出；另一個(gè)支路直接經(jīng)過一個(gè)卷積核大小為1的卷積conv操作獲得第二輸出；第一輸出和第二輸出拼接后，經(jīng)過一個(gè)卷積核大小為1的卷積conv操作得到ca-c3ghost模塊的輸出；
13、至此完成應(yīng)對(duì)光線影響的自動(dòng)駕駛yolo目標(biāo)檢測(cè)網(wǎng)絡(luò)模型的構(gòu)建；
14、步驟三：利用步驟一獲得的圖像數(shù)據(jù)集訓(xùn)練應(yīng)對(duì)光線影響的自動(dòng)駕駛yolo目標(biāo)檢測(cè)網(wǎng)絡(luò)模型，以訓(xùn)練后的應(yīng)對(duì)光線影響的自動(dòng)駕駛yolo目標(biāo)檢測(cè)網(wǎng)絡(luò)模型用于應(yīng)對(duì)光線影響下的車輛目標(biāo)檢測(cè)。
15、進(jìn)一步地，所述步驟三中，在訓(xùn)練過程中使用平衡焦點(diǎn)分布損失lbfd作為損失約束，平衡焦點(diǎn)分布損失lbfd表示為：
16、
17、
18、
19、
20、其中，iou表示預(yù)測(cè)邊界框與實(shí)際邊界框之間的交并比得分；γ代表一個(gè)超參數(shù)，調(diào)節(jié)iou項(xiàng)的重要性，默認(rèn)值為γ=2.0；α、β代表控制寬度、高度重要性的超參數(shù)，默認(rèn)值為α=2.0、β=0.25；δ表示動(dòng)態(tài)調(diào)節(jié)iou的一個(gè)超參數(shù)，默認(rèn)值為δ=0.5；max(0,r(b)+r(w)+r(h))為正則化項(xiàng)，用于對(duì)邊界框回歸誤差進(jìn)行懲罰調(diào)節(jié)，r(b)為邊界框正則化項(xiàng)，r(w)為寬度正則化項(xiàng)，r(h)為高度正則化項(xiàng)；ρ()代表計(jì)算兩元素之間歐幾里得距離的函數(shù)；b、??分別表示預(yù)測(cè)邊界框中心和真實(shí)邊界框中心，w、??分別表示預(yù)測(cè)邊界框?qū)挾群驼鎸?shí)邊界框?qū)挾?，h、??分別表示預(yù)測(cè)邊界框高度和真實(shí)邊界框高度；c、cw、ch表示管理中心點(diǎn)、寬度和高度影響的超參數(shù)，默認(rèn)值為c=1.0、cw=1.25、ch=1.25。
21、進(jìn)一步地，所述本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種應(yīng)對(duì)光線影響的自動(dòng)駕駛YOLO目標(biāo)檢測(cè)方法，其特征在于，所述檢測(cè)方法包括以下步驟：
2.根據(jù)權(quán)利要求1所述的檢測(cè)方法，其特征在于，所述步驟三中，在訓(xùn)練過程中使用平衡焦點(diǎn)分布損失LBFD作為損失約束，平衡焦點(diǎn)分布損失LBFD表示為：
3.根據(jù)權(quán)利要求2所述的檢測(cè)方法，其特征在于，γ=2.0，α=2.0，β=0.25，δ=0.5，c=1.0、cw=1.25、ch=1.25。
4.根據(jù)權(quán)利要求1所述的檢測(cè)方法，其特征在于，所述深度可分離擴(kuò)張卷積DSDC模塊包括三個(gè)并聯(lián)的擴(kuò)張卷積，設(shè)置擴(kuò)張卷積核大小依次為1、2、3，三者的輸出結(jié)果拼接后分成兩個(gè)支路分別經(jīng)過一個(gè)深度可分離卷積和一個(gè)逐點(diǎn)卷積處理，深度可分離卷積處理后的結(jié)果一方面作為逐點(diǎn)卷積的輸入，另一方面與逐點(diǎn)卷積的輸出進(jìn)行相加，得到深度可分離擴(kuò)張卷DSDC模塊的輸出。
5.根據(jù)權(quán)利要求1所述的檢測(cè)方法，其特征在于，圖像數(shù)據(jù)集中圖像大小為640×640。
6.根據(jù)權(quán)利要求1所述的檢測(cè)方法，其特征在于，開始訓(xùn)練時(shí)，網(wǎng)絡(luò)初始化的參數(shù)設(shè)置為：訓(xùn)練網(wǎng)絡(luò)的epoch設(shè)置為650，優(yōu)化
7.一種應(yīng)對(duì)光線影響的自動(dòng)駕駛YOLO目標(biāo)檢測(cè)系統(tǒng)，其特征在于，所述系統(tǒng)執(zhí)行權(quán)利要求1-6任一所述檢測(cè)方法的步驟，包括：
8.根據(jù)權(quán)利要求7所述的系統(tǒng)，其特征在于，應(yīng)對(duì)光線影響的自動(dòng)駕駛YOLO目標(biāo)檢測(cè)網(wǎng)絡(luò)模型的平均像素準(zhǔn)確率mAP大于59%，每秒幀數(shù)FPS大于80，同時(shí)參數(shù)量控制在3-5million之間。
9.根據(jù)權(quán)利要求7所述的系統(tǒng)，其特征在于，設(shè)定安全距離范圍為[s2，s3），設(shè)定危險(xiǎn)距離閾值為s1，s1<s2<s3，單位為米；若車距小于s2視為危險(xiǎn)距離，存在潛在發(fā)生碰撞的可能，車輛制動(dòng)單元將進(jìn)行減速以維持安全距離；若車距在安全距離范圍[s2，s3）內(nèi)視為安全距離，維持車輛的正常行駛不進(jìn)行速度調(diào)整；若車距不小于s3，車輛能加速并將車距把控在安全距離以內(nèi)。
10.根據(jù)權(quán)利要求9所述的系統(tǒng)，其特征在于，所述安全距離范圍為不小于5米且小于15米，危險(xiǎn)距離閾值為3米。
...【技術(shù)特征摘要】
1.一種應(yīng)對(duì)光線影響的自動(dòng)駕駛yolo目標(biāo)檢測(cè)方法，其特征在于，所述檢測(cè)方法包括以下步驟：
2.根據(jù)權(quán)利要求1所述的檢測(cè)方法，其特征在于，所述步驟三中，在訓(xùn)練過程中使用平衡焦點(diǎn)分布損失lbfd作為損失約束，平衡焦點(diǎn)分布損失lbfd表示為：
3.根據(jù)權(quán)利要求2所述的檢測(cè)方法，其特征在于，γ=2.0，α=2.0，β=0.25，δ=0.5，c=1.0、cw=1.25、ch=1.25。
4.根據(jù)權(quán)利要求1所述的檢測(cè)方法，其特征在于，所述深度可分離擴(kuò)張卷積dsdc模塊包括三個(gè)并聯(lián)的擴(kuò)張卷積，設(shè)置擴(kuò)張卷積核大小依次為1、2、3，三者的輸出結(jié)果拼接后分成兩個(gè)支路分別經(jīng)過一個(gè)深度可分離卷積和一個(gè)逐點(diǎn)卷積處理，深度可分離卷積處理后的結(jié)果一方面作為逐點(diǎn)卷積的輸入，另一方面與逐點(diǎn)卷積的輸出進(jìn)行相加，得到深度可分離擴(kuò)張卷dsdc模塊的輸出。
5.根據(jù)權(quán)利要求1所述的檢測(cè)方法，其特征在于，圖像數(shù)據(jù)集中圖像大小為640×640。
6.根據(jù)權(quán)利要求1所述的檢測(cè)方法，其特征在于，開始訓(xùn)練時(shí)，網(wǎng)絡(luò)初始化的參數(shù)設(shè)置為：訓(xùn)練網(wǎng)絡(luò)的epoch設(shè)置為650，優(yōu)化器...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：錢志祥，姜楠，趙宏宇，王翔宇，孫浚博，李子莫，
申請(qǐng)(專利權(quán))人：華東交通大學(xué)，
類型：發(fā)明
國別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。