[发明专利]一种基于深度学习的前向车辆识别与距离检测方法

说明书

本发明提供了一种基于深度学习的前向车辆识别与距离检测方法，包括以下步骤：获取前向车辆识别与距离检测所需的数据集，并对数据集进行预处理；搭建骨干网络；搭建目标检测子网络；搭建深度估计子网络；基于深度学习的前向车辆识别与距离检测网络的训练；基于K‑Means优化前向车辆距离检测。本发明一种基于深度学习的前向车辆识别与距离检测方法，从数据集、网络结构设计、模型搭建、损失函数设计和目标测距特征点拟合五个方面来实现前向车辆识别与距离检测，检测更准确，定位性能更佳。

技术领域

本发明属于车辆检测技术领域，具体涉及一种基于深度学习的前向车辆识别与距离检测方法。

背景技术

前向车辆目标检测和距离检测是智能驾驶系统环境感知技术不可或缺的重要部分。通过及时准确的感知环境信息，结合场景数据进行分析和决策，预测潜在的交通事故并做出预警，可以显著提升汽车的主动安全性能。但是，在现实场景中，车辆种类、车型以及尺寸的变化复杂，加之不同程度的车与车之间的遮挡、车和环境的相互遮挡，以及道路的俯仰角变化，都对前向车辆识别和距离检测造成了很大的挑战。因此，如何快速准确的进行车辆目标识别和距离检测，成为了当下智能驾驶系统研究的一大难点。

进行环境感知的前提是了解车辆周围的环境信息，得到前向车辆的距离信息也是做出决策控制的关键。根据检测设备和检测方式的不同，前向车辆距离检测方法可以分为以下几类：毫米波雷达测距、激光测距、超声波测距、视觉测距等。在这几类方法中，尽管超声波、毫米波雷达、激光雷达等在测距精度上都远优于视觉测距，但是基于激光雷达和毫米波雷达的主动式传感器价格昂贵，测距扫描范围有限，而且对信号干扰比较敏感。对比之下，基于视觉测距的方式成本较低，安装简易方便，普及率高，因此工业界更青睐视觉测距的方式。

视觉测距中，基于单目视觉的测距方法具有模型简单，计算资源消耗少等优点，是普通车辆的标配，具有良好的应用前景。但如今交通环境多变、影响因素多，直接应用目标检测算法难以获得很好的车辆检测精度，这给车辆目标检测带来了很大的挑战。

目前，主流的基于单目视觉的距离检测方法一般都是基于相似几何原理，结合相机内外参数对前向车辆距离进行估计。但这类方法需要借助被测对象的实际高度或者宽度来完成，并且相机参数获取过程繁杂且匹配繁杂，在非结构化的道路上，测距有效距离较短，在弯道上测距误差较大。

因此，亟需一种能够准确识别前向车辆、检测前向车辆距离、进行精准定位的方法。

发明内容

有鉴于此，本发明的目的在于提供一种基于深度学习的前向车辆识别与距离检测方法。本发明旨在解决现有方法无法准确检测前向车辆，定位性能欠佳的问题。

为达到上述目的，本发明提供了一种基于深度学习的前向车辆识别与距离检测方法，包括以下步骤；

S1.获取前向车辆识别与距离检测所需的数据集，并对数据集进行预处理；

S2.搭建骨干网络；

S3.搭建目标检测子网络；

S4.搭建深度估计子网络；

S5.基于深度学习的前向车辆识别与距离检测网络的训练；

S6.基于K-Means优化前向车辆距离检测。

进一步，所述步骤S1的数据集为KITTI数据集，所述KITTI数据集包括车辆训练图片、标注文件和点云文件。

进一步，所述步骤S1中，数据集的预处理步骤如下：

S1.1将点云文件转换为深度图标签；

S1.2对步骤S1.1处理后的KITTI数据集进行数据清洗，筛选出标注有误的图片并剔除；

S1.3采用K-means k均值聚类算法确定锚框个数和高宽比；