基于雷达与视觉传感器信息融合的车辆检测方法研究.caj

针对原始YOLOV3目标检测算法在车辆检测任务中存在的实时性不高的问题,提出了一种改进的车辆检测模型。该模型使用反残差网络作为基础特征提取层,以减少参数量,降低计算复杂度,解决梯度消失和梯度爆炸问题。并且使用组归一化降低批量大小对模型准确性的影响,同时用软化非极大值抑制降低漏检率,使用Focal-loss改进损失函数,使模型在训练时聚焦于难分类样本。改进后的模型参数量为YOLOV3的36.23%,每帧检测时间较YOLOV3降低了13.8 ms,平均类别精度提高了1.15%。结果表明,本文算法兼顾实时性和准确性,为车辆的实时性检测提供参考。

实时获取车辆有无、车流量等交通信息，在智能交通系统中有着及其重要的作用。基于视觉的交通监视系统具有直观明了、系统使用和维护费用相对较低等优点，因而广泛应用于公路干线和交叉道口的交通监控。但是由路边建筑、树木引起的阴影，是导致车辆检测错误的一大主要因素。笔者提出了一种基于边缘信息的改进车辆检测算法，用于检测车辆，进而实现对过往车辆的正确计数。

随着生活水平的不断提高，汽车成为人们生活不可或缺的一部分。汽车总量的不断攀升造成城市交通拥堵不堪，伴随而来是频发的交通事故。在这个背景下智能交通越来越受到人们的关注，与此相关的目标检测技术的研究也得到很大的关注，车辆检测就是其中一个关键的组成部分。车辆检测由于其本身具有的挑战性，例如车辆形状的不同，车辆的视角的不同，车辆的遮挡，光照的差异变化，使车辆检测成为一个十分困难的任务。当前虽然对于车辆检测的研究已经取得一部分的成果，但是现存算法任然具有局限性，在各种环境下无法得到让人满意的效果，因此本文针对车辆检测进行了研究。 本文所做的工作主要包括两个部分：一研究国内外该课题方向的研究现状，对比不同算法的优缺点，研究不同算子提取车辆特征的效果；二是基于前面的研究实现基于HOG特征与SVM分类器的车辆检测系统，验证研究算法的可行性。 经过车辆检测系统的仿真验证，本文研究的方法可以有效的提取图像中的车辆，效果良好，速度在可接受的范围内。