[发明专利]基于YOLO及RGB图像的人车距离估计方法

说明书

本发明公开了一种基于YOLO及RGB图像的人车距离估计方法，包括：获取用于目标测距的图像；构建基于YOLO的深度学习卷积网络模型；对基于YOLO的深度学习卷积网络模型进行训练，将步骤1获取的用于目标测距的图像输入训练好的深度学习卷积网络模型进行目标检测，识别出图像中的人车目标，获取目标候选框；采集人车RGB图像并进行标定，获得距离与像素高度差间关联关系的先验知识；采用基于先验知识的投影反演方法对目标候选框中的目标进行距离估计，得到目标与RGB相机的距离。本发明采用的算法模型简单，实时性高，设备成本低。

技术领域

本发明属于人工智能领域，具体为一种基于YOLO及RGB图像的人车距离估计方法。

背景技术

随着人民生活水平的提高和汽车工业的发展，汽车逐渐走进更多家庭的生活和工作，人们得以享受到更大的交通便利。但随之而来的是道路的拥挤和频发的交通事故，汽车自动驾驶及主动安全成为当下汽车技术发展所面临的一个重要问题。而自动驾驶主要需要解决对目标物体如行人和车辆较为精确的识别，同时估算目标物与驾驶车辆的距离，从而控制车辆行驶在一个相对安全的距离，保证行车过程中的安全。

目标检测的主要任务之一，是找出图像中所有特定物体，即目标物，并确定物体的位置信息和大小信息，然后采用较为直观的矩形框图来确定其所在位置。目标检测是计算机视觉领域中较为核心的问题之一，也为计算机视觉在其他领域的任务奠定了基础。目标检测不仅包含图像处理、模式识别等方法，还融合了特征提取、深度学习等一系列在许多领域有广泛应用的前沿技术，是一项极具挑战性的课题。当前目标检测领域取得了很多重要的成果，已经大量运用于安防、工业、汽车辅助驾驶等多个领域，同时也面临着诸多挑战，比如复杂多样的背景环境下的检侧、系统实时性和稳定性的严格要求、形态各异的外貌特征检测等。

目标测距作为汽车自动驾驶系统的关键技术之一，是汽车根据周围行车环境通过智能决策模块控制车辆主动加减速及转向的基础。目前三维目标检测算法根据传感器不同，大致可以分为视觉、激光点云和多模态融合这三大类。但是由于车载环境下的条件限制，同时为了获得实时的目标信息，激光点云和多模态融合的方法并不适用于本场景。而视觉方法由于其成本低、纹理特征丰富等优势，在目标检测领域中被广泛使用，并且可根据相机类型分为单目视觉和双目视觉两类。前者关键问题在于无法直接获取深度信息，从而导致目标在三维空间中的定位误差较大。后者虽然在获取距离方面更加容易和精确，但是所使用的设备也更加复杂，同时双目视觉对光照条件等因素更加敏感，容易导致深度计算的偏差。

发明内容

本发明的目的在于提出了一种基于YOLO及RGB图像的人车距离估计方法。

实现本发明的技术解决方案为：一种基于YOLO及RGB图像的人车距离估计方法，具体步骤为：

步骤1：获取用于目标测距的图像；

步骤2：构建基于YOLO的深度学习卷积网络模型；

步骤3：对基于YOLO的深度学习卷积网络模型进行训练，将步骤1获取的用于目标测距的图像输入训练好的深度学习卷积网络模型进行目标检测，识别出图像中的人车目标，获取目标候选框；

步骤4：采集人车RGB图像并进行标定，获得距离与像素高度差间关联关系的先验知识；

步骤5：采用基于先验知识的投影反演方法对目标候选框中的目标进行距离估计，得到目标与RGB相机的距离。

优选地，所述深度学习卷积网络模型采用YOLOv3模型。

优选地，所述深度学习卷积网络模型对图片的处理过程为：

将输入的图片划分为网格；

每个网格预测8个边界框以及对应的置信度分数，每个预测的边界框包括：边界框中心点的坐标、边界框的宽和高以及置信度。

优选地，置信度的计算公式为：