[发明专利]一种基于深度学习的道路环境障碍物检测系统及方法

说明书

本发明提出了一种基于深度学习的道路环境障碍物检测系统及方法。本发明系统包括：车前摄像头、车尾摄像头、左后视镜摄像头、右后视镜摄像头、第一智能处理单元、第二智能处理单元、第三智能处理单元、第四智能处理单元、交换机、主控单页、显示屏、蜂鸣器以及电源模块。本发明方法通过摄像头实时采集车辆四周视频序列，将获取序列中的图像传输给对应的智能处理单元；智能处理单元获取接收图像中的感兴趣区域；创建道路障碍物数据集离线训练YOLO神经网络，智能处理单元将分类为非路面簇的图片作为验证集，输入到训练完成的YOLO网络模型中，输出障碍物的回归框和类别。本发明减少复杂的图像预处理过程，能够快速区分图像背景及前景中的检测目标。

技术领域

本发明属于计算机视觉技术领域和智能驾驶辅助领域，具体涉及一种基于深度学习的道路环境障碍物检测系统及方法。

背景技术

随着我国经济的迅速发展，汽车保有量急速增加，在给人们生活带来便利的同时，也产生了一系列安全问题，其中道路交通事故发生比例的逐年增加是最为严重的问题。据统计，中国汽车保有量占世界汽车总量的8％，道路交通事故占比却高达20％，每年因交通事故造成的经济损失约占国民经济生产总值的2％-3％。其中，交通事故的主要原因是驾驶员的违章行驶行为，但事故起因也不乏车辆自身因素对驾驶员判断的影响，如由于车身结构、道路因素、行驶状态等特点造成的视觉盲区，虽然车辆上安装有后视镜及一些补盲视镜，使得驾驶员可以通过这些视镜观察盲区内的路况，但由于视镜受其安装位置等限制，在一些行驶状态时，仍然存在视觉盲区，另一方面由于驾驶员的驾驶经验或侥幸心理等因素，使得其忽略部分视镜所呈现的信息，从而导致交通事故的发生。因此，有必要采用更加科学的技术手段来辅助驾驶员做出更安全的判断，要实现车辆对道路环境的实时感知，良好的目标检测是解决问题的技术手段之一。

基于机器学习的目标检测方法主要涉及特征提取与分类器选择两个方面。特征提取用于描述检测目标的外观信息，使用恰当的特征可以得到目标区别于其他类型物体的特有外观信息。目前常用的特征多为人工设计，主要有HOG特征、LBP特征、SIFT特征、Gabor特征、Haar-like特征等。而分类器的作用是判断目标区域与背景区域，并进行分类，同时也可以实现检测目标的类型判断。为得到准确的分类输出结果，在保证训练样本的特征集最具代表性的前提下，还应当输入充足的样本进行训练。分类器的训练过程通常分为离线训练和在线训练两类。目前常用的分类器主要有SVM分类器、Adaboost分类器、KNN分类器、Softmax分类器等。HediHarazllah等人首先介绍了一种利用滑动窗口依次遍历待检测图像，提取HOG和SIFT特征，利用SVM分类器完成候选验证及车辆检测的方法，但滑动窗口遍历图像的计算量较大，会降低检测的时效性。申请号201710278795.6的专利《一种基于机器视觉和机器学习的运动车辆检测算法》中选用Haar-like边缘特征作为分类器的特征向量，采用监督型机器学习算法Adaboost离线训练分类器，该方法需要提取大量的Haar-like特征来进行离线训练，以满足分类器的准确判断，计算量大。申请公布号为CN103544487A的专利《基于单目视觉的前车识别方法》中公布了一种通过Canny边缘提取方法提取前方车辆感兴趣区域，根据车底阴影的几何形状判断出车辆区域，最后将车辆特征降维送入支持向量机(SVM)中进行分类，判断是否为车辆区域的方法，该方法基于车辆的先验知识，如车底阴影、车尾灯、车体水平(竖边缘、车体角点信息)及车体对称性等简单的车辆图像特征对车辆感兴趣区域进行确定，但该方法对图像光照情况要求较高，没有很好的鲁棒性，在光照微弱时，车辆灰度与道路灰度接近时则无法适用。申请号201510054968.7的专利《一种基于目标一致性的车载相机快速行人车辆检测方法》通过双目相机获取当前帧图像，建立道路场景柱状模型，利用Hough变换提取感兴趣区域，再提取颜色特征与SIFT特征结合的特征向量进行离线训练，训练结果再对左右两幅图像中的行人和车辆进行检测，根据双目一致性特征优化最终的检测结果，该方法虽然对环境适应性好，检测精度较高，但对硬件要求高，成本较高，且人工标记特征的方法耗时费力，占用内存较高，不适用于嵌入式环境。