[發明專利]一種基于深度學習的道路環境障礙物檢測系統及方法

有效

• 申請號: 201910337110.X
• 申請日: 2019-04-25
• 公開（公告）號: CN110097109B
• 公開（公告）日: 2022-12-16
• 發明（設計）人: 王正家;何濤;柯楠;解家月;錢峰
• 申請（專利權）人: 湖北工業大學
• 主分類號: G06V20/20
• 分類號: G06V20/20;G06V20/58;G06V10/774;G06V10/25;G06V10/762;G06V10/764
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 薛玲

本發明提出了一種基于深度學習的道路環境障礙物檢測系統及方法。本發明系統包括：車前攝像頭、車尾攝像頭、左后視鏡攝像頭、右后視鏡攝像頭、第一智能處理單元、第二智能處理單元、第三智能處理單元、第四智能處理單元、交換機、主控單頁、顯示屏、蜂鳴器以及電源模塊。本發明方法通過攝像頭實時采集車輛四周視頻序列，將獲取序列中的圖像傳輸給對應的智能處理單元；智能處理單元獲取接收圖像中的感興趣區域；創建道路障礙物數據集離線訓練YOLO神經網絡，智能處理單元將分類為非路面簇的圖片作為驗證集，輸入到訓練完成的YOLO網絡模型中，輸出障礙物的回歸框和類別。本發明減少復雜的圖像預處理過程，能夠快速區分圖像背景及前景中的檢測目標。

技術領域

本發明屬于計算機視覺技術領域和智能駕駛輔助領域，具體涉及一種基于深度學習的道路環境障礙物檢測系統及方法。

背景技術

隨著我國經濟的迅速發展，汽車保有量急速增加，在給人們生活帶來便利的同時，也產生了一系列安全問題，其中道路交通事故發生比例的逐年增加是最為嚴重的問題。據統計，中國汽車保有量占世界汽車總量的8％，道路交通事故占比卻高達20％，每年因交通事故造成的經濟損失約占國民經濟生產總值的2％-3％。其中，交通事故的主要原因是駕駛員的違章行駛行為，但事故起因也不乏車輛自身因素對駕駛員判斷的影響，如由于車身結構、道路因素、行駛狀態等特點造成的視覺盲區，雖然車輛上安裝有后視鏡及一些補盲視鏡，使得駕駛員可以通過這些視鏡觀察盲區內的路況，但由于視鏡受其安裝位置等限制，在一些行駛狀態時，仍然存在視覺盲區，另一方面由于駕駛員的駕駛經驗或僥幸心理等因素，使得其忽略部分視鏡所呈現的信息，從而導致交通事故的發生。因此，有必要采用更加科學的技術手段來輔助駕駛員做出更安全的判斷，要實現車輛對道路環境的實時感知，良好的目標檢測是解決問題的技術手段之一。

基于機器學習的目標檢測方法主要涉及特征提取與分類器選擇兩個方面。特征提取用于描述檢測目標的外觀信息，使用恰當的特征可以得到目標區別于其他類型物體的特有外觀信息。目前常用的特征多為人工設計，主要有HOG特征、LBP特征、SIFT特征、Gabor特征、Haar-like特征等。而分類器的作用是判斷目標區域與背景區域，并進行分類，同時也可以實現檢測目標的類型判斷。為得到準確的分類輸出結果，在保證訓練樣本的特征集最具代表性的前提下，還應當輸入充足的樣本進行訓練。分類器的訓練過程通常分為離線訓練和在線訓練兩類。目前常用的分類器主要有SVM分類器、Adaboost分類器、KNN分類器、Softmax分類器等。HediHarazllah等人首先介紹了一種利用滑動窗口依次遍歷待檢測圖像，提取HOG和SIFT特征，利用SVM分類器完成候選驗證及車輛檢測的方法，但滑動窗口遍歷圖像的計算量較大，會降低檢測的時效性。申請號201710278795.6的專利《一種基于機器視覺和機器學習的運動車輛檢測算法》中選用Haar-like邊緣特征作為分類器的特征向量，采用監督型機器學習算法Adaboost離線訓練分類器，該方法需要提取大量的Haar-like特征來進行離線訓練，以滿足分類器的準確判斷，計算量大。申請公布號為CN103544487A的專利《基于單目視覺的前車識別方法》中公布了一種通過Canny邊緣提取方法提取前方車輛感興趣區域，根據車底陰影的幾何形狀判斷出車輛區域，最后將車輛特征降維送入支持向量機(SVM)中進行分類，判斷是否為車輛區域的方法，該方法基于車輛的先驗知識，如車底陰影、車尾燈、車體水平(豎邊緣、車體角點信息)及車體對稱性等簡單的車輛圖像特征對車輛感興趣區域進行確定，但該方法對圖像光照情況要求較高，沒有很好的魯棒性，在光照微弱時，車輛灰度與道路灰度接近時則無法適用。申請號201510054968.7的專利《一種基于目標一致性的車載相機快速行人車輛檢測方法》通過雙目相機獲取當前幀圖像，建立道路場景柱狀模型，利用Hough變換提取感興趣區域，再提取顏色特征與SIFT特征結合的特征向量進行離線訓練，訓練結果再對左右兩幅圖像中的行人和車輛進行檢測，根據雙目一致性特征優化最終的檢測結果，該方法雖然對環境適應性好，檢測精度較高，但對硬件要求高，成本較高，且人工標記特征的方法耗時費力，占用內存較高，不適用于嵌入式環境。