[发明专利]一种基于轻量化YOLOv3的车辆和车牌检测及长短焦融合测距方法

说明书

本发明公开了一种基于轻量化YOLOv3的车辆和车牌检测及长短焦融合测距方法，建立车辆和车牌数据集，设计并训练轻量化YOLOv3网络，车辆和车牌检测及长短焦融合测距。针对YOLOv3网络参数量大、计算时间长的问题，用轻量化网络替换主干网络，重新构建其余卷积层构架，保证检测精度的前提下极大提高了检测速度，有利于目标检测网络迁移至车载嵌入式单元。此外，在检测车辆和车牌的基础上，通过车牌尺寸固定的特征，基于车牌宽度计算车宽，进一步计算两车之间的距离。而长短焦融合测距方法，通过匹配融合长焦和短焦摄像头画面中的车辆位置和大小信息，并加入跟踪算法，实现对长距离范围内的车辆连续实时测距，不受摄像头跳动带来的影响，测距结果精度高、鲁棒性好。

技术领域

本发明涉及先进驾驶辅助系统领域，具体来说涉及一种基于轻量化YOLOv3的车辆和车牌检测及长短焦融合测距方法。

背景技术

先进辅助驾驶系统ADAS(Advanced Driver Assistance Systems)作为汽车智能化的关键技术，不仅为驾驶员带来便利和安全，也是实现自动驾驶的先决技术之一。ADAS通过各类传感器感知周围环境，相当于车辆的眼睛，随后对数据进行处理，为驾驶提供危险预警甚至辅助介入。由此可见，高精度高速的目标感知技术对于ADAS是十分重要的。

近年来，随着深度学习的迅猛发展，基于视觉的交通目标物感知尤其是车辆检测算法，在精度和速度方面都有了巨大的进步，但是这类算法的计算成本高，不能直接迁移到算力较小的车辆嵌入式平台。因此，需要开发更轻量化的目标检测模型来实现在车载环境上的实时目标车辆感知。

在实现车辆检测的基础上，还要使用视觉测距方法计算自车到目标车辆的距离，才能实现完整的交通目标物感知。目前的视觉测距方法主要有单目视觉测距和立体视觉测距。其中立体视觉测距需要匹配多个摄像头的信息，计算量大，在汽车上应用难度较大；而单目视觉测距的方法简单、计算量小、成本低廉，更适合汽车这种动态环境使用。目前单目视觉的常用方法有：成像几何关系模型法、逆透视变换法和数学回归建模法，这些方法大多依赖于前期的复杂摄像头内外参与标定，对摄像头的选型和安装角度、道路环境有很高的要求，而且缺少真实道路目标的对应参照，如车道、车牌等。因此需要考虑融合多种检测源的信息，设计更为稳定高效的视觉测距方法，提高车载动态环境下测距的精度和鲁棒性。

发明内容

为了解决现有的技术问题，本发明提出一种基于轻量化YOLOv3的车辆和车牌检测及长短焦融合测距方法，可准确的检测出较远范围内的道路车辆和车牌，并可以准确的测量目标车辆到自车的距离，车载动态环境下的检测和测距精度好、鲁棒性好，

本发明的技术方案如下：

一种基于轻量化YOLOv3的车辆、车牌检测及长短焦融合测距方法，包括如下步骤：

S1，建立车辆和车牌数据集

S2，设计轻量化YOLOv3网络

S3，训练轻量化YOLOv3网络

S4，车辆和车牌检测及长短焦融合测距

S4.1，短焦摄像头采集前方道路图像，利用轻量化YOLOv3网络检测前方道路图像中车辆和车牌；

S4.2，跟踪前方车辆，如果车辆首次被跟踪，则执行S4.3，否则执行S4.6；

S4.3，如果被跟踪的车辆像素宽度小于阈值，执行S4.4，否则执行S4.5；

S4.4，长焦摄像头检测被跟踪车辆，寻找与车辆匹配的车牌，并计算实际车宽；

S4.5，寻找与车辆匹配的车牌，计算实际车宽；

S4.6，计算被跟踪车辆与自车的距离。