[发明专利]一种前方小区域物体识别及车辆预警方法

说明书

技术领域

本发明属于车辆前方碰撞预警技术领域，特别是涉及一种基于改进的YOLO卷积网络结构模型的前方小区域物体的识别及车辆预警方法。

背景技术

随着都市圈的扩大与科技的发展，汽车先进驾驶辅助系统得以迅速发展，其中前方碰撞预警系统在提高道路交通安全上起到了积极作用，已成为当前国际智能交通系统研究的热点。实时地对前方物体进行有效的检测与识别，并将有可能发生的危险信号发送至车辆预警系统，可以有效地防止车辆碰撞事故的发生。

现如今国内外已经有了多种目标检测方法：由使用的传感器可分为基于视觉(单目、双目立体)的方法、基于多传感器融合(激光传感器、毫米波雷达)的方法，由采用的检测算法可分为传统的检测方法与基于神经网络的检测方法等。基于单目视觉的目标检测方法是仅利用一台摄像机来获取物体的二维空间信息，成本低，系统结构简单，但是无法精准的测量目标的深度信息，难以确定目标物体的位置，双目立体视觉能基于视差原理计算出物体的三维空间信息，但是成本高，计算量大，难以达到好的配准效果；激光传感器受障碍物及其表面光滑度影响较大，对光线、雨等干扰非常敏感，不适合应用到小物体检测，毫米波雷达环境适应性好，对烟雾、灰尘的穿透能力强，测量的距离精度高，可以准确获得前方物体的深度信息；传统的检测方法需要大量的人工提取特征，受人为因素影响较大，准确率和实时性差，卷积神经网络在物体识别领域具有独特的优势和无限的潜力，而YOLO(You only look once:你只看一次)结构模型基于一种端到端的思想，利用一个网络同时完成分类和标注物体框，但是它对小尺寸物体的测量误差大，且对于细节的区分度太差，网络有待优化。

由于视野中前方小区域物体识别，对识别算法的精准度、实时性、鲁棒性要求更高，因此采用毫米波雷达与单目视觉系统融合的方法获取目标的三维空间信息，获得物体的距离、角度和相对速度，再采用改进后的YOLO卷积网络结构模型来进行物体的识别，以有效提高前方小区域物体的识别准确性，最后将识别结果作为车辆预警系统的输入，进行危险性判断，达到车辆预警效果。

发明内容

本发明所要解决的技术问题是旨在克服图像中小区域物体的大小、距离的不确定性以及采用传统的目标检测算法造成的识别准确率低和实时性差的问题，提供一种前方小区域物体识别及车辆预警方法，有效识别车辆前方行车视野中的小区域物体，并进行危险性判定，同时达到车辆预警效果。

本发明研究对象为小区域物体，该小区域定义为目标所占图像像素尺寸为总图像像素尺寸的百分之一，区域形状为正方体，且本发明仅仅针对图像中的目标都为小区域物体。前方行车路线视野中的小区域物体，有两种可能，一种是近距离的小物体，一种是远距离的大物体。这两种可能导致在视觉图像的呈现中相似。毫米波雷达可获得目标的距离、相对速度、角度，通过机器视觉验证前方目标并获得目标在图像中的位置。规定车辆行驶安全距离为至少大于100米，若目标距离大于100米，则判定为远处的大物体，若目标距离小于100米，则判定为近处的小物体。由于远处的大物体对车辆的行驶安全在短时间内不构成威胁，因此不予考虑和识别，只保留近处的小物体为识别对象，建立小物体的感兴趣区域ROI，将获取的感兴趣区域ROI经过图像预处理后作为卷积神经网络模型的输入。本发明采用的卷积神经网络模型为改进的YOLO卷积网络结构模型，该模型的输出为目标回归框和目标分类概率。将识别结果输入车辆预警系统，当目标回归框的位置位于车辆行驶路线范围外或识别目标为非危险种类时，标记为不危险目标，车辆不预警；当目标回归框的位置位于车辆行驶路线以内且识别的物体为危险种类以及无法识别的物体并具有一定的速度特征时，标记为危险目标，车辆预警，提醒驾驶员注意以避免事故发生。非危险种类包括树叶、塑料袋、泡沫、纸片等对车辆行驶不构成威胁的物体，危险种类包括交通桶、水马、三角警示牌、油漆桶、钢管等。

本发明具体采用如下的技术方案：一种前方小区域物体识别及车辆预警方法，其特征在于，包括如下步骤：

步骤一、获取车辆前方待识别目标图像，并获取感兴趣区域ROI图像；

具体如下：

1)车辆在行驶过程中，车辆前方采用毫米波雷达向前方发射毫米波探测车辆前方目标，并通过摄像机拍摄车辆前方图像；

2)建立毫米波雷达坐标系和图像像素坐标系之间的转换关系，将毫米波雷达坐标转换成图像像素坐标；