【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及輔助駕駛，尤其涉及的是一種智能輔助駕駛系統(tǒng)的顯著性目標檢測方法。
技術(shù)介紹
1、智能輔助駕駛系統(tǒng)技術(shù)背景：智能輔助駕駛系統(tǒng)(adas,advanceddriverassistance?systems)是指通過運用先進的傳感器、控制技術(shù)和算法，幫助駕駛員提升駕駛安全性、舒適性和便利性的一種系統(tǒng)。這些系統(tǒng)通過感知車輛周圍環(huán)境、識別潛在的危險目標，并在適當?shù)臅r候給予駕駛員提示警告或執(zhí)行自動化控制，降低駕駛員的負擔，減少交通事故的發(fā)生。adas系統(tǒng)是向全自動駕駛(無人駕駛)發(fā)展的重要階段。
2、智能輔助駕駛技術(shù)的發(fā)展已經(jīng)經(jīng)歷了多個階段，從最早的被動安全系統(tǒng)(如安全帶、氣囊等)到主動安全系統(tǒng)，再到現(xiàn)在的智能輔助駕駛和未來的完全自動駕駛系統(tǒng)。adas是自動駕駛技術(shù)的基礎(chǔ)，目前廣泛應用的系統(tǒng)如自適應巡航控制(acc)、車道保持輔助(lka)、自動緊急制動(aeb)等，都是實現(xiàn)自動駕駛的初級功能。
3、智能輔助駕駛系統(tǒng)的實現(xiàn)依賴多種技術(shù)的結(jié)合，主要包括以下幾大核心技術(shù)：(1)傳感器技術(shù)：adas系統(tǒng)通過各種傳感器(如攝像頭、雷達、激光雷達等)感知車輛周圍的環(huán)境和狀態(tài)。攝像頭可以識別機動車、障礙物、行人等顯著性目標；雷達和激光雷達用于探測障礙物的距離、速度和位置，尤其在惡劣天氣和低光條件下有很好的探測能力。(2)計算機視覺與圖像處理：依托攝像頭采集到的圖像數(shù)據(jù)，計算機視覺技術(shù)用于分析和理解環(huán)境信息，如識別車輛、行人、信號燈等。顯著性目標檢測、物體分類、場景理解等是計算機視覺技術(shù)在adas中的核心任務(wù)。(3)傳
4、隨著深度學習技術(shù)的發(fā)展，尤其是卷積神經(jīng)網(wǎng)絡(luò)(cnn)的崛起，目標檢測技術(shù)取得了重大突破。cnn具備自動提取特征的能力，能夠提取更具語義層次的信息，大大提升了目標檢測的精度和魯棒性。
5、r-cnn系列：r-cnn(regions?with?convolutional?neural?networks)是深度學習應用于目標檢測的里程碑。r-cnn方法通過提取候選區(qū)域，然后對每個區(qū)域進行分類與回歸。后續(xù)的fast?r-cnn、faster?r-cnn等優(yōu)化了r-cnn的速度與性能，逐步成為目標檢測的經(jīng)典框架。faster?r-cnn通過引入?yún)^(qū)域建議網(wǎng)絡(luò)(rpn)，使得檢測效率顯著提升。
6、yolo系列：yolo(you?only?look?once)系列算法是一種單階段(one?stage)目標檢測方法，它將目標檢測問題簡化為一個回歸問題，直接預測圖像中的物體類別和邊界框。yolo的優(yōu)勢在于其實時性，由于它僅需一次前向傳播就能完成整個檢測過程，因此在速度上遠超兩階段檢測方法。yolo從v1版本到當前的yolov10，算法在精度和速度之間不斷取得平衡，成為實時檢測的主流算法。
7、ssd(single?shot?multibox?detector)：ssd也是一種單階段檢測算法，它直接在多尺度特征圖上進行目標預測，能夠有效應對不同尺度的物體檢測問題。ssd的多尺度檢測策略使其在速度上具有較大優(yōu)勢，但在小目標檢測上表現(xiàn)不如兩階段檢測方法。
8、現(xiàn)有技術(shù)的缺點：
9、1.ssd算法反應速度慢，誤測率高：針對多尺度目標檢測的效果較差，尤其是在檢測對車輛行駛安全至關(guān)重要的小型目標時，算法表現(xiàn)較差，容易出現(xiàn)漏檢或錯檢現(xiàn)象。同時，其實時性較差，無法在復雜駕駛環(huán)境中提供足夠及時和準確的檢測結(jié)果。
10、2.yolo算法的應對復雜場景的泛化能力較弱：雖然yolo算法在較為理想的環(huán)境中表現(xiàn)出色，但在面對駕駛環(huán)境的多樣性和復雜性時，其泛化能力較弱，難以適應不同場景的變化。這限制了其在實際駕駛中的廣泛應用。
11、3.現(xiàn)有的技術(shù)都容易被無關(guān)和錯誤信息干擾：在復雜環(huán)境下，系統(tǒng)容易受到錯誤和無關(guān)信息的干擾，導致模型在目標檢測和決策過程中出現(xiàn)誤判，影響檢測結(jié)果的準確性。這些問題都會降低用戶的使用體驗，進而影響駕駛安全。
技術(shù)實現(xiàn)思路
1、本專利技術(shù)所要解決的技術(shù)問題是針對現(xiàn)有技術(shù)的不足提供一種智能輔助駕駛系統(tǒng)的顯著性目標檢測方法。
2、本專利技術(shù)的技術(shù)方案如下：
3、一種智能輔助駕駛系統(tǒng)的顯著性目標檢測方法，包括以下步驟：
4、步驟一、通過車載圖像采集設(shè)備，實時獲取基于駕駛員視覺區(qū)域的駕駛場景圖像并進行預處理；
5、步驟二、主干網(wǎng)絡(luò)進行底層多尺度特征提取、交互、和特征信息的全局增強，提取出豐富的多尺度特征信息；
6、步驟三、所述頸部網(wǎng)絡(luò)中包括aeswintransformer注意力模塊、tfg網(wǎng)絡(luò)中的跨層特征引導融合模塊和多層次特征交互融合模塊，將主干網(wǎng)絡(luò)中提取到的多層次特征融合到一塊；
7、步驟四、對特征圖進行檢測和分類
8、檢測頭網(wǎng)絡(luò)中的檢測頭為動態(tài)檢測頭，將從頸部網(wǎng)絡(luò)中傳來的特征圖像根據(jù)不同的檢測場景動態(tài)調(diào)整檢測策略；
9、步驟五、將對抗樣本和正常樣本混合輸入模型，使用訓練好的模型進行對抗訓練。
10、所述的方法，所述步驟二中，在完成預處理后，圖片傳入網(wǎng)絡(luò)開始在y-aestfg網(wǎng)絡(luò)的主干部分進行特征提取的工作，在這一階段，首先通過卷積模塊來對圖像進行初步的特征提取，卷積模塊包括3x3的卷積、標準化、激活函數(shù)relu；此外，得到初步的特征圖后將通過交互模塊，對特征圖繼續(xù)進行局部多尺度特征的提取和處理，交互模塊是由深度卷積和局部多尺度特征交互模塊的疊加構(gòu)成，可以在減少模型參數(shù)量的同時擴大感受野，使模型可以更好地提取圖像中豐富的多尺度的特征，如圖1所示交互模塊由stage2-5四組深度卷積和局部多尺度特征交互模塊的疊加構(gòu)成；最后通過全局背景信息增強模塊，捕獲各種尺度的特征和整個圖像的全局上下文特征。
11、所述的方法，所述步驟二中，局部多尺度特征交互模塊中使用多個相同尺度的卷積核代替不同尺度卷積核的方式來提取圖像中的多尺度局本文檔來自技高網(wǎng)...
【技術(shù)保護點】
1.一種智能輔助駕駛系統(tǒng)的顯著性目標檢測方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟二中，在完成預處理后，圖片傳入網(wǎng)絡(luò)開始在Y-AESTFG網(wǎng)絡(luò)的主干部分進行特征提取的工作，在這一階段，首先通過卷積模塊來對圖像進行初步的特征提取，卷積模塊包括3x3的卷積、標準化、激活函數(shù)ReLU；此外，得到初步的特征圖后將通過交互模塊，對特征圖繼續(xù)進行局部多尺度特征的提取和處理，交互模塊是由深度卷積和局部多尺度特征交互模塊的疊加構(gòu)成，可以在減少模型參數(shù)量的同時擴大感受野，使模型可以更好地提取圖像中豐富的多尺度的特征；最后通過全局背景信息增強模塊，捕獲各種尺度的特征和整個圖像的全局上下文特征。
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟二中，局部多尺度特征交互模塊中使用多個相同尺度的卷積核代替不同尺度卷積核的方式來提取圖像中的多尺度局部特征信息，保持模型參數(shù)量減少的情況下擴大感受野；然后使用特征交互使最終的綜合特征具有多尺度信息；并通過跳躍連接在不同層之間傳遞細節(jié)信息；假設(shè)輸入的特征圖為Fi，經(jīng)過多個相同尺度的3x3卷積后，輸
4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟二中，在進行完最后一層卷積特征提取后的局部多尺度特征交互，將得到的特征圖像經(jīng)過全局背景信息增強模塊，將輸入的特征圖分割成多個特征圖子集，這樣可以對特征圖的不同部分進行獨立處理，將具有不同膨脹率的膨脹DSConv3x3應用于經(jīng)過分割后得到的特征圖子集，重新得到新的特征圖子集，然后使用級聯(lián)，跳躍連接和卷積操作來實現(xiàn)特征交互和更新特征圖子集；之后將特征子集重新整合，形成新的特征映射元素求和；還利用Conv1×1操作和通道注意重新排列最后，將重新排列的饋送到多個不同引導路徑中的不同卷積塊中，以生成個性化引導信息提取整幅圖像的全局背景信息，并與stage5所得到的局部特征進行融合，以增強對復雜背景下的目標感知能力；對應公式如下:
5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟三中，所述的跨層特征引導融合模塊，每個跨層特征引導模塊的輸入由骨干網(wǎng)絡(luò)中兩個相鄰編碼器層提取的特征組成；由于這兩層特征圖的分辨率不同，在執(zhí)行引導操作之前，首先需要對低分辨率的特征圖進行上采樣，以保證特征圖分辨率的一致性；隨后，通過元素逐點乘法將這兩層特征圖進行融合，并使用嵌套的類殘差連接對融合后的特征圖進行特征引導；這種引導方式確保了低級和高級特征能夠同時收斂到同一個目標；跨層特征引導融合過程有效地促進了不同層次特征的協(xié)同和信息的整合引導低層次的高分辨率特征與從主干網(wǎng)絡(luò)中得來得高層次的低分辨率特征圖進行融合，公式如下：
6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟三中，跨層特征引導融合模塊結(jié)束后得到的特征圖繼續(xù)傳入AESwinTransformer模塊，在該模塊通過自注意力機制引入更強的全局信息感知能力，更好地將跨層次的顯著性特征在復雜背景信息中表達出來，具體的公式如下：
7.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟三中，在所述多層次特征交互融合模塊中，聯(lián)合使用跨層次引導特征、增強的全局引導特征、局部多尺度特征以及前一AESwinTransformer模塊的輸出，以解碼駕駛場景途中基于駕駛員視覺區(qū)域的顯著性目標；在編碼過程中，首先將多種特征對齊至相同的尺度；接著，將全局引導信息嵌入到特征FLMIF和特征FCGF中，以增強低級特征中的交通顯著性目標的語義和位置信息；最后，多個特征通過逐元素求和進行聚合，并使用Conv?1x1操作來減少通道數(shù)；解碼過程可以公式化為：
8.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟四中，首先將來自主干網(wǎng)絡(luò)和頸部網(wǎng)絡(luò)的特征圖F∈RH*W*C傳遞到檢測頭，其中H，W，C分別表示特征圖的高度，寬度和通道數(shù)；
9.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟五中，對抗樣本在圖像中引入微小擾動，模擬復雜環(huán)境下的干擾，假設(shè)批次大小為N，那么每個批次包含N/2正常樣本x及其真實標簽y，以及N/2對抗樣本x_adv及相同的標簽y；
...【技術(shù)特征摘要】
1.一種智能輔助駕駛系統(tǒng)的顯著性目標檢測方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟二中，在完成預處理后，圖片傳入網(wǎng)絡(luò)開始在y-aestfg網(wǎng)絡(luò)的主干部分進行特征提取的工作，在這一階段，首先通過卷積模塊來對圖像進行初步的特征提取，卷積模塊包括3x3的卷積、標準化、激活函數(shù)relu；此外，得到初步的特征圖后將通過交互模塊，對特征圖繼續(xù)進行局部多尺度特征的提取和處理，交互模塊是由深度卷積和局部多尺度特征交互模塊的疊加構(gòu)成，可以在減少模型參數(shù)量的同時擴大感受野，使模型可以更好地提取圖像中豐富的多尺度的特征；最后通過全局背景信息增強模塊，捕獲各種尺度的特征和整個圖像的全局上下文特征。
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟二中，局部多尺度特征交互模塊中使用多個相同尺度的卷積核代替不同尺度卷積核的方式來提取圖像中的多尺度局部特征信息，保持模型參數(shù)量減少的情況下擴大感受野；然后使用特征交互使最終的綜合特征具有多尺度信息；并通過跳躍連接在不同層之間傳遞細節(jié)信息；假設(shè)輸入的特征圖為fi，經(jīng)過多個相同尺度的3x3卷積后，輸出的特征圖的公式可以表示為：
4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟二中，在進行完最后一層卷積特征提取后的局部多尺度特征交互，將得到的特征圖像經(jīng)過全局背景信息增強模塊，將輸入的特征圖分割成多個特征圖子集，這樣可以對特征圖的不同部分進行獨立處理，將具有不同膨脹率的膨脹dsconv3x3應用于經(jīng)過分割后得到的特征圖子集，重新得到新的特征圖子集，然后使用級聯(lián)，跳躍連接和卷積操作來實現(xiàn)特征交互和更新特征圖子集；之后將特征子集重新整合，形成新的特征映射元素求和；還利用conv1×1操作和通道注意重新排列最后，將重新排列的饋送到多個不同引導路徑中的不同卷積塊中，以生成個性化引導信息提取整幅圖像的全局背景信息，并與stage5所得到的局部特征進行融合，以增強對復雜背景下的目標感知能力；對應公式如下:
5.根據(jù)權(quán)利要求1所述的方法，...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：張靜，王亦楠，劉飛宇，
申請(專利權(quán))人：中北大學，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。