[发明专利]一种基于YOLOV4-tiny的车辆检测与测距方法

说明书

本发明公开了一种基于YOLOV4‑tiny的车辆检测与测距方法，涉及车辆技术领域；它的方法如下：步骤一：车辆检测算法设计：Yolov4‑tiny是在Yolov4的基础上设计的，Yolov4‑tiny算法采用CSPDarknet53‑tiny网络作为骨干网络，CSPDarknet53‑tiny网络在跨级部分网络中使用CSPBlock模块，通过跨级残差边将两部分合并；步骤二：车辆视觉测距算法设计：图像采集是将客观世界的三维场景投影到CCD摄像机的二维像平面上，其依据小孔成像模型来描述此透视变换，本发明结合深度学习目标检测技术、单目视觉测距技术，立足于车辆检测算法的优化；设计和实现实时车辆检测与测距算法。

技术领域

本发明属于车辆技术领域，具体涉及一种基于YOLOV4-tiny的车辆检测与测距方法。

背景技术

交通出行是人们日常生活中的重要活动之一，随着近年来交通发展越来越迅速，汽车作为出行的一种便捷交通工具，逐渐被大众拥有。频发的汽车交通事故，给社会和人们的生活安定带来严重的威胁。总结车祸类型和原因可以发现，交通事故多发生在高速公路和一级城市道路上，其中在高速路段发生的追尾碰撞事故占总事故的40.81％，追尾碰撞产生的主要原因不利天气，地面附着条件不佳的客观因素和驾驶员注意力不集中、疲劳驾驶、操作不当的主观因素。大量的研究表明，能在发生交通事故前0.5s提醒驾驶者,可避免50％的事故,若能在事故发生前1s提醒驾驶员,可避免90％的事故,现有车辆检测与测距方式不够方便。

发明内容

为解决背景技术中的问题；本发明的目的在于提供一种基于YOLOV4-tiny的车辆检测与测距方法。

本发明的一种基于YOLOV4-tiny的车辆检测与测距方法，它的方法如下：

步骤一：车辆检测算法设计：

1.1、Yolov4-tiny是在Yolov4的基础上设计的，Yolov4-tiny算法采用CSPDarknet53-tiny网络作为骨干网络，CSPDarknet53-tiny网络在跨级部分网络中使用CSPBlock模块，通过跨级残差边将两部分合并；

1.2、在特征融合部分，Yolov4-tiny算法采用特征金字塔网络提取不同尺度的特征图来提高物体检测速度，同时，Yolov4-tiny采用13×13和26×26两种不同尺度的特征图来预测检测结果；

1.3、增加主干网络特征层提取强度，采用13×13、26×26和52×52三个特征层进行特征融合，同时，采用13×13、26×26和52×52三种不同尺度的特征图来预测检测结果；训练测试过程对公开数据集VOC和UA-DETRAC数据集进行适当调整，训练检测算法权重，在测试阶段根据测试结果进一步优化算法；

步骤二：车辆视觉测距算法设计：

图像采集是将客观世界的三维场景投影到CCD摄像机的二维像平面上，其依据小孔成像模型来描述此透视变换，

其中,f为CCD摄像机的有效焦距；α为CCD摄像机的俯仰角度；h为CCD摄像机的安装高度；(x₀,y₀)为光轴与像平面的焦点；(x,y)为路面上一点P在像平面上的投影坐标。此时P点就是检测出的车辆与地面相接下边沿位置的一点；根据几何关系得到P点与镜头中心的水平距离D的计算公式如下：

当已知前方物体的实际大小时，目标的实际高度H，经过摄像头之后，在摄像头成像元件中成像的长度为h，根据三角形相似的原理可以确定目标距离D的计算公式如下：

根据测距算法分析，采用基于车牌大小及车辆下边沿位置特征的测距算法，同时在两种算法根据具体测距实验情况优化设计误差补偿环节以及加权融合测距模块。

与现有技术相比，本发明的有益效果为：