基于卷积神经网络的道路车辆检测方法

作者:李琳辉;伦智梅;连静;袁鲁山;周雅夫;麻笑艺; 刊名:吉林大学学报(工学版) 上传者:郑小驴

【摘要】提出了一种基于卷积神经网络的前方车辆检测方法.首先,根据车底阴影特征,运用基于边缘增强的路面检测算法以及车底阴影自适应分割算法来分割并形成车底候选区域,以解决路面灰度分布不均及光照条件变化问题;其次,运用针对道路交通环境的卷积神经网络结构,建立图像样本库进行网络训练;在此基础上,采用基于卷积神经网络识别的方法以验证并剔除被误检测为车底阴影的候选区域,进而确定真正的车辆目标;最后,修改网络为三分类识别,以验证本文方法的强扩展性的优势.实验结果表明:本文提出的车辆检测方法能够很好地区分车底阴影和非车底阴影干扰,有效地提高车辆检测的准确率和可靠性,降低误检率.

全文阅读

0引言车辆间的剧烈碰撞是造成道路交通事故中人员伤亡的主要因素,前方车辆的实时准确检测有助于提前发现碰撞安全隐患,并及时向驾驶员发出警告,是实现防碰撞的关键技术之一。目前,单目视觉仍然是实现前方车辆检测的主要手段。主要原因在于其硬件的性能和价格合理,信息获取量大的显著特征,以及处理灰度图像的算法相对简单并趋于成熟。基于视觉的车辆检测主要分为基于知识和基于训练。前者主要根据先验知识来产生候选区域,包括车辆本身的左右对称性[1]、车底阴影[2]、垂直边缘[3]等固有信息及车辆的运动特征[4,5]。文献[6]采用基于直方图分析和自适应双阈值的方法分别实现阴影和边缘特征的准确分割,综合分析生成车辆假设区域;文献[7]利用光流法检测目标车辆位置,此方法对静止或车速很小的车辆检测失效,且对噪声、光线变化敏感。由于道路场景复杂多变,当受外界环境如光照的变化、阴影、背景等影响时,单目视觉识别的可靠性随之下降。为了降低视觉传感器受环境因素的影响,一般基于训练的分类识别算法能够较精确地对目标候选区域作进一步验证。SVMs[8]、AdaBoost[9]是最具普遍性的训练分类算法,能够通过学习识别车辆与非车辆的判定边界或验证生成的车辆候选区域。文献[10]基于类Haar-like特征结合Adaboost分类器的识别方法训练车辆尾部以实现高等道路车辆检测;文献[11]采用基于Haar-like特征的Adaboost方法对车辆假设区域进行验证;文献[12]中利用了SVM分类器与HOG特征的结合,采用两步主动学习来检测车辆。此类方法属于浅层学习算法,要求具有良好的特征提取器并对目标进行复杂的显性特征提取,且环境适应性差,侧重于解决二分类问题,具有不易扩展的局限性。深度学习[13]是一种特征学习方法,把原始数据通过简单而非线性的模型转变成更高层次、更抽象的表达。卷积神经网络(CNN)具有提取反映数据本质的隐性特征及可扩展性的优越性能,可被用于几乎全部的目标识别分类领域,例如交通信号识别[14,15]、人脸识别[16,17]、道路场景解析[18]、图像理解[19,20]等。在车辆检测方面,其区别于浅层学习的突出优点之一在于算法的可扩展性,能够进一步扩展识别交通环境中的多类目标。2015年,LeCun受邀在《Nature》上发表深度学习技术综述[13],CNN被Google、Facebook等公认为人工智能领域的重大突破。因此,将CNN延伸至道路车辆检测这一高级安全辅助驾驶(ADAS)领域的关键环节有利于进一步推动自动驾驶汽车技术的发展。鉴于CNN在人工智能领域的突出贡献,本文提出一种基于卷积神经网络的前方车辆检测方法,以弥补单目视觉算法的环境适应性差、算法复杂的不足。首先,为解决日间光照变化问题,针对不同光照强度进行工况分类,通过基于边缘增强的区域增长方法实现路面检测,以减少背景干扰;其次,为分割出车底候选区域,提出了车底阴影自适应分割算法以适应不同光照的行驶工况;最后,运用卷积神经网络对有限个候选区域检测结果进行验证和剔除,获得精确检测结果,实现车辆目标的准确检测。1环境分类和路面检测车辆在日间的主要特征是车底阴影[21]。为准确计算不同光照下的阴影分割阈值以分割出车底阴影区域,本文首先准确确定路面区域,以缩小图像检测范围,初步排除非行驶路面对阴影分割的干扰。1.1环境分类由于日间图像像素会受光照、天气等因素的影响,图像像素分布会随之明显不同。本文依据行驶环境的差异将其分为:1强光照:当天气晴朗、光照强烈时,图像像素主要集中在高值区域;2正常光照:普通光照下,像素分布较均匀;3弱

参考文献

引证文献

问答

我要提问