论文部分内容阅读
目前,随着互联网和人工智能(Artificial Intelligence,AI)的发展,智能驾驶技术受到社会各界的关注。在智能驾驶技术中,车辆检测技术的研究尤为重要,车辆检测的准确性与实时性关系到智能驾驶其他模块的使用效果。当代人工智能的发展对车辆检测技术研究奠定了扎实的基础,本文在基于深度学习(Deep Learning,DL)的目标检测基础上,提高复杂场景中车辆检测的准确性,提高算法的实时车辆检测能力,以及减小实际应用场景时算法的占用空间大小。首先,针对基于深度学习的两阶检测检测网络在复杂交通场景中目标漏检的问题,本文提出了一种基于双通道的车载视频目标检测算法,该方法增加一条深度信息通道补充深度细节特征,充分利用两条通道的视觉信息来描述车辆特征,提高车辆检测的准确性并且降低目标的漏检率,此外还添加了难样本挖掘策略来训练深度网络模型,解决训练过程中正负样本不均衡的问题。仿真结果表明,该方法在算法车辆检测的准确性以及漏检率方面都有明显的性能提升。其次,在两阶检测网络基础上,为了提高车辆检测算法的实时性,减小算法占用内存,本文提出了一种基于深度网络压缩的快速车辆检测算法。该方法利用批归一化(Batch Normalization,BN)层中的缩放因子作为通道剪枝的衡量指标,提出了一种阈值自适应策略进行通道剪枝,该策略中引入了剪枝比例上限来避免过度剪枝引起的精度降低问题。仿真结果表明,该方法可以有效提高算法运行效率,达到视频实时检测效果,并且能够减小模型的大小,以达到在移动端设备上运行的目的。本文最后在算法准确性以及实时性研究的基础上,设计了一个行车安全辅助系统,主要实现前车碰撞预警功能,该系统主要分为车载终端、数据处理平台和预警系统三个部分。系统通过车载终端所采集到的车辆前方的图像信息以及深度信息,将其发送到数据处理中心进行数据分析,最终预警系统对处理后的数据进行判断,及时提醒驾驶员避免碰撞危险。