基于深度學(xué)習(xí)的智能車輛輔助駕駛系統(tǒng)設(shè)計(jì)
鄒鵬1，諶雨章1*，蔡必漢1
（1.湖北大學(xué) 計(jì)算機(jī)與信息工程學(xué)院，湖北 武漢 430062）
Design of Intelligent Vehicle Assistance Driving System Based on Deep Learning
Zou Peng1,Chen Yuzhang1*，Cai Bihan1
(1. College of Computer and Information Engineering, Hubei University, Hubei 430062, China)
摘 要：為幫助駕駛員在夜間行車時(shí)確認(rèn)前方路況，設(shè)計(jì)出以保證自己及他人出行安全的車載夜視輔助駕駛系統(tǒng)。通過(guò)構(gòu)建深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)算法，將經(jīng)預(yù)處理得到的車輛周圍圖像作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，經(jīng)過(guò)已逐層訓(xùn)練與調(diào)參得到的離線網(wǎng)絡(luò)運(yùn)算后，從實(shí)時(shí)圖像數(shù)據(jù)中提取出障礙物的特征信息與運(yùn)動(dòng)情況。根據(jù)駕駛車輛上采集設(shè)備對(duì)行車軌跡環(huán)境的探測(cè)反饋，正確識(shí)別車輛所處的環(huán)境狀態(tài)，進(jìn)而對(duì)駕駛員進(jìn)行提醒，并幫助車輛在面對(duì)突如其來(lái)的危險(xiǎn)時(shí)進(jìn)行正確的行駛決策，避免事故的發(fā)生。
關(guān)鍵詞：夜視；輔助駕駛；深度學(xué)習(xí)；運(yùn)動(dòng)變化；行駛決策 中圖分類號(hào)：TP183;TP391.4
Abstract: To help drivers confirm the road ahead while driving at night, design a car night vision assisted driving system to ensure the safety of themselves and others. By constructing the deep learning neural network algorithm, the pre-processed vehicle surrounding image is used as the input data of the neural network, and the offline network operation obtained by layer-by-layer training and adjustment is used to extract the obstacle features from the real-time image data. Information and sports. According to the detection feedback of the driving equipment on the driving vehicle environment, the environment status of the vehicle is correctly identified, and then the driver is reminded, and the vehicle is made to make correct driving decisions in the face of sudden dangers to avoid accidents. .
Key words: Night vision; assisted driving; deep learning; movement change; driving decision
1 引言
隨著人民生活水平的快速發(fā)展，汽車已經(jīng)成為我們出行的主要方式。然而隨之而來(lái)的是交通事故發(fā)生率的逐年增加。高級(jí)駕駛輔助系統(tǒng)是指通過(guò)在車上安裝一些輔助設(shè)備收集周圍環(huán)境信息，進(jìn)行分析處理，用以幫助駕駛員進(jìn)行決策、控制汽車減速剎車或者啟動(dòng)安全氣囊等行為的一套完整裝置[1],從而增加駕駛的安全性，降低危險(xiǎn)的發(fā)生率。
2 系統(tǒng)設(shè)計(jì)
|
圖 1 系統(tǒng)結(jié)構(gòu)框圖 |
本系統(tǒng)主要是對(duì)高級(jí)車載輔助駕駛(ADAS)中的障礙物檢測(cè)系統(tǒng)進(jìn)行研究。 在分析對(duì)比了當(dāng)前主流的行人檢測(cè)方法之后，選用基于聚合通道特征(ACF) 和AdaBoost學(xué)習(xí)分類器來(lái)實(shí)現(xiàn)障礙物檢測(cè)，并使用深度學(xué)習(xí)作為工具對(duì)障礙物運(yùn)動(dòng)狀態(tài)軌跡進(jìn)行預(yù)判。本文在基于原始的ACF方法的掃窗口框架的基礎(chǔ)上進(jìn)行了改進(jìn)，提高了檢測(cè)和預(yù)判速度，并結(jié)合車載紅外夜視技術(shù)，將不可見(jiàn)目標(biāo)輻射轉(zhuǎn)變成為可見(jiàn)的目標(biāo)光電圖像并進(jìn)行預(yù)判運(yùn)算，以適應(yīng)于不同環(huán)境下車載上的障礙物檢測(cè)實(shí)時(shí)性的要求。
本智能車輛輔助駕駛系統(tǒng)包括圖像采集模塊，用于采集車輛周圍影像信息；障礙物特征提取與計(jì)算模塊，用于判斷行車軌跡中是否存在障礙物，并將被認(rèn)定為障礙物的物體運(yùn)動(dòng)特征提取并進(jìn)行相關(guān)計(jì)算；預(yù)警模塊，用于實(shí)時(shí)監(jiān)測(cè)圖像動(dòng)態(tài)，當(dāng)判定障礙物運(yùn)動(dòng)軌跡會(huì)與行車軌跡沖突時(shí)時(shí)進(jìn)行提示并作出預(yù)警措施；圖像顯示模塊，用于顯示處理后的圖像及預(yù)判結(jié)果用作對(duì)駕駛員提醒，并對(duì)影響進(jìn)行保存?zhèn)浞?/span>,系統(tǒng)結(jié)構(gòu)如圖1所示。
3 技術(shù)路線
3.1動(dòng)態(tài)障礙物檢測(cè)與分類方法
車前障礙物檢測(cè)與分類系統(tǒng)中，圖像采集裝置可采用車輛內(nèi)的行車記錄儀等處，實(shí)時(shí)獲取車輛行駛前方道路視頻圖像。中央處理模塊(可以采用微型電腦)對(duì)圖像進(jìn)行障礙物檢測(cè)和分類。障礙物檢測(cè)可以采用卡爾曼濾波算法實(shí)現(xiàn)，然后對(duì)檢測(cè)到的障礙物進(jìn)行特征提取。提取目標(biāo)圖像的對(duì)稱性、邊緣直線水平度和長(zhǎng)寬比等特征，建立貝葉斯網(wǎng)絡(luò)對(duì)障礙物進(jìn)行分類，分類結(jié)果通過(guò)語(yǔ)音進(jìn)行提示。
通過(guò)貝葉斯網(wǎng)絡(luò)提取障礙物的三個(gè)特征進(jìn)行分類，分別是障礙物的對(duì)稱性、邊緣直線水平度和目標(biāo)長(zhǎng)寬比。通過(guò)大量樣本圖像的特征值提取，可以得到圖像的特征值分布;計(jì)算圖像的特征值高斯概率分布，得到樣本特征屬性的先驗(yàn)概率，作為貝葉斯分類器的輸入。然后對(duì)待測(cè)樣本圖像進(jìn)行貝葉斯分類計(jì)算，得到測(cè)試圖像類型概率，概率最大的對(duì)應(yīng)類即是待測(cè)樣本的類別。本項(xiàng)目采用最小誤差概率的樸素貝葉斯進(jìn)行分類[3]，能夠有效地將障礙物信息進(jìn)行分類，錯(cuò)誤率較低。所提取得到障礙物的對(duì)稱性、邊緣直線水平度和障礙物的長(zhǎng)寬比。可以有效地將行人、機(jī)動(dòng)車及汽車進(jìn)行分類。
3.2 深度學(xué)習(xí)訓(xùn)練過(guò)程
在深度學(xué)習(xí)算法中，數(shù)據(jù)預(yù)處理扮演了很重要的角色。在實(shí)際運(yùn)用當(dāng)中，為提高算法的精確度，常常將數(shù)據(jù)進(jìn)行正則化和白化。為了提高無(wú)監(jiān)督特征學(xué)習(xí)的速度，通過(guò)采用主成分分析法(Principal Component Analysis，PCA)和白化(whitening) 操作來(lái)對(duì)數(shù)據(jù)進(jìn)行降維[4]，從而達(dá)到對(duì)數(shù)據(jù)的預(yù)處理效果。
PCA算法是一種能夠極大提升無(wú)監(jiān)督特征學(xué)習(xí)速度的數(shù)據(jù)降維算法。由于圖像中相鄰的像素相關(guān)度高，意味著輸入數(shù)據(jù)中存在著較多冗余信息。利用PCA算法可以在將輸入向量轉(zhuǎn)換為一個(gè)維數(shù)低很多的近似向量，并保證誤差相對(duì)較小。在訓(xùn)練自動(dòng)編碼器等無(wú)監(jiān)督特征學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)算法時(shí)，算法運(yùn)行的時(shí)間取決于輸入數(shù)據(jù)的維數(shù)。用經(jīng)預(yù)處理后得到的低維數(shù)據(jù)取代原始數(shù)據(jù)作為輸入數(shù)據(jù)，將可以顯著加快運(yùn)行速度，提高學(xué)習(xí)效率。
4 總結(jié)
本系統(tǒng)針對(duì)當(dāng)前輔助駕駛領(lǐng)域的需求情況，結(jié)合當(dāng)下現(xiàn)有的行車記錄設(shè)備進(jìn)行大量數(shù)據(jù)采集的優(yōu)勢(shì)與深度學(xué)習(xí)算法無(wú)監(jiān)督特征提取的特點(diǎn)[5]，嘗試將深度學(xué)習(xí)算法運(yùn)用在車輛碰撞躲避策略中。通過(guò)對(duì)算法處理得到的大量數(shù)據(jù)進(jìn)行分析與計(jì)算，提取出車輛周圍的障礙物信特征息的運(yùn)動(dòng)情況，并找到當(dāng)前車輛周圍障礙物類別及運(yùn)動(dòng)情況下最優(yōu)化的車輛應(yīng)急決策，將有助于人們駕駛車碰撞躲避策略中的行駛決策，避免交通事故的發(fā)生。
綜上，本項(xiàng)目是從硬件和軟件同時(shí)入手，從硬件方面縮減體積功耗，從圖像處理方面改進(jìn)探測(cè)能力，從算法模型方面增強(qiáng)適用性，從深度學(xué)習(xí)增加準(zhǔn)確性，在減小成像探測(cè)系統(tǒng)的體積功耗的基礎(chǔ)上，探測(cè)效果和分辨率不下降甚至得到提升，從而為便攜高效式夜視輔助駕駛及行車記錄探測(cè)提供解決方案，并研究如何將便攜式探測(cè)系統(tǒng)應(yīng)用于各種輔助駕駛系統(tǒng)。
參考文獻(xiàn)
[1] 劉志輝. 基于車載輔助駕駛平臺(tái)的快速行人檢測(cè)技術(shù)及其應(yīng)用[D]. 2016.
[2] 何春燕. 基于卷積神經(jīng)網(wǎng)絡(luò)的車行環(huán)境多類障礙物檢測(cè)與識(shí)別[D].
[3] 韓飛龍, 應(yīng)捷, 朱丹丹. 一種新的車輛輔助駕駛動(dòng)態(tài)障礙物檢測(cè)與分類方法[J]. 計(jì)算機(jī)應(yīng)用研究, 2017(6).
[4] 董彥芳, 龐勇, 許麗娜, et al. 高光譜遙感影像與機(jī)載LiDAR數(shù)據(jù)融合的地物提取方法研究[J]. 遙感信息, 2014(6):73-76.
[5] 陳惠珍. 基于深度學(xué)習(xí)的無(wú)人車避障策略研究[D]. 2016.
- » 基于遺傳算法的虛擬牙齒矯正路徑規(guī)劃
- » 基于連續(xù)潮流計(jì)算的VSC-MTDC異步互聯(lián)電網(wǎng)…
- » 基于大數(shù)據(jù)的水產(chǎn)養(yǎng)殖系統(tǒng)設(shè)計(jì)
- » EDF多任務(wù)調(diào)度算法在物聯(lián)網(wǎng)數(shù)據(jù)監(jiān)控平臺(tái)中…
- » 逆變拓?fù)湓诟袘?yīng)加熱處理中的專利發(fā)展技術(shù)…
- » 基于無(wú)線節(jié)點(diǎn)資源的通信路徑選擇在自組網(wǎng)…
- » 地鐵綜合自動(dòng)化集成系統(tǒng)方案解析
- » 基于Web服務(wù)異構(gòu)數(shù)據(jù)庫(kù)智能集成的研究
- » 基于深度學(xué)習(xí)的智能車輛輔助駕駛系統(tǒng)設(shè)計(jì)
- » 基于Swish激活函數(shù)的人臉情緒識(shí)別研究