[发明专利]一种基于深度估计的单目视觉前向车辆距离检测方法

说明书

本发明公开了一种基于深度估计的单目视觉前向车辆距离检测方法，其特征在于：包括以下步骤：Step1、搭建基于深度估计的前向车辆距离检测模型；Step2、引入DORN算法，搭建基于DORN的前向车辆距离检测模型；Step3、优化目标关键点拟合方法；Step4、设计网络训练中的损失函数；Step5、利用模型压缩加速工具，实现对前向车辆距离检测模型的加速。本发明的方法可高效、高精度地预测前向车辆距离。

技术领域

本发明涉及基于深度估计的单目视觉前向车辆距离检测方法。

背景技术

车辆的距离检测作为智能驾驶系统环境感知的重要部分，通过检测前向车辆与行人的运动趋势，实时预测车辆行驶中可能发生的碰撞，对于智能驾驶系统起着极为关键的作用。但是，在现实交通场景中的车辆与车辆的遮挡、车辆与环境的遮挡、非结构化道路的复杂多变、行驶过程的俯仰角变化等现象给前向车辆距离检测带来了很大挑战。因此，快速准确地进行前向车辆距离检测是智能驾驶系统研究的一大难点。根据检测方式不同，实现距离检测的方法主要可以分为以下几类：电磁波测距、超声波测距、视觉测距等。目前基于毫米波雷达和激光雷达等主动式传感器的测距方法价格昂贵，扫描范围和速度有限，同时易受外界信号干扰[3]。而基于视觉的距离检测技术具有成本较低、安装调试方便、采集信息丰富等优点，具有较大的应用前景。在基于视觉的距离检测方法中，按摄像头的数量可以分为单目检测、双目检测和多目检测三种。其中，基于单目视觉的测距方法具有设备安装调试方便、计算资源消耗少、动态实时性好等优点，具有良好的应用前景。

现有主流基于单目视觉的距离检测方法一般基于相似几何原理，结合相机参数匹配来进行前向车辆的距离估计。但是，该类方法需要获取有关障碍物的几何信息，导致某些方法无法对非标准障碍物进行判断，而且也存在相机参数匹配困难的现象，未充分考虑行驶过程的俯仰和侧倾现象，以及非结构化道路场景，同时还存在有效测距距离短，工作复杂，计算误差大等缺点。随着计算机技术的大幅度提升，基于深度学习的人工智能算法被广泛应用到工业领域并取得了良好的效果。目前已有部分专家学者将深度学习技术应用于单目视觉距离检测技术中，以提高距离检测性能。但是，现有大部分研究是针对RGB图中所有像素点进行的深度估计，并未面向交通场景中的特定目标进行距离检测。而且，真实交通会存在明显遮挡和环境变换等现象，会导致针对特定目标的距离检测存在较大误差。在少有的基于深度学习实现对特定目标距离检测的算法中，存在直接利用端到端的距离回归算法来进行车辆距离检测，但该方法容易丢失较多空间信息，从而破坏空间结构，对深度的预测精度有一定影响。

发明内容

根据上述分析，针对现有技术存在的不足，本发明利用计算机视觉领域的相关深度学习算法，搭建前向车辆距离检测模型，提出相应的优化策略，实现基于单目视觉的前向车辆距离检测。

具体来说，本发明从模型搭建、目标关键点拟合、损失函数设计三个方面来实现基于单目视觉的前向车辆距离检测。另一方面，考虑到前向车辆距离检测模型的实际应用需求，本发明采用了TensorRT工具对模型进行优化，以此提升模型的检测速度。

本发明提供的技术方法，包括以下五个步骤：

步骤一：搭建基于深度估计的前向车辆距离检测模型，主要包括以下三个部分：

1)确定前向车辆距离检测模型的输入与输出；

2)选取用于提取图像特征的卷积神经网络；

3)设计车辆目标关键点拟合方法。

步骤二：引入DORN算法，搭建基于DORN的前向车辆距离检测模型，主要包括以下四个部分：

1)利用密集特征提取器代替普通的特征提取网络；

2)增加场景理解模块实现网络对输入图像的全面理解；

3)利用序数回归模块将离散深度值化分为多类，实现将回归问题转为分类问题；