[实用新型]辅助驾驶装置

说明书

本实用新型提供了一种辅助驾驶装置，由前壳体和后壳体围设形成中空体，其中进一步包括：DVS镜头模组模块，包括DVS镜头模组、DVS传感器的PCB板和光敏导光结构；双目镜头模组模块，包括双目镜头模组，双目传感器PCB板以及设置所述双目镜头模组的双目横梁；信号处理电路，读取并处理所述DVS镜头模组模块和所述双目镜头模组模块的数据信号。本装置同时实现视觉数据和雷达数据的融合，不仅提高传感器提供的距离精度信息，还节省算力，减少能量消耗，并加快了内部器件的散热。

技术领域

本实用新型涉及车辆辅助驾驶技术领域，具体应用为一种辅助驾驶装置。

背景技术

物体检测是计算机视觉领域中的一个热点问题，其目的是要在图像或视频中识别并检测出感兴趣类别的每个物体实例。它是自动驾驶、无人机和基于手势的交互系统等应用中的重要部分。高能效的摄像机、基于嵌入式低能耗处理器的实时视觉处理算法以及稳定的性能都是物体检测在实际中应用的关键。

物体检测技术在许多重要的应用场景，例如自动驾驶、无人机、家庭辅助以及基于手势的人机交互中发挥核心作用。传统的物体检测方法以可变性部件模型及其变体为主流，这类方法利用图像描述子如HOG(方向梯度直方图,Histogram of OrientedGradient)、SIFT(尺度不变特征变换,Scale-Invariant Feature Transform)以及LBP(局部二值模式,Local Binary Patterns)等作为特征，用滑窗遍历整个图像，寻找某一类别的最大响应区域。

近年来，随着深度学习技术的迅猛发展，基于深度神经网络的物体检测技术由于其显著的性能成为这一领域的主流技术方法。目前，基于深度神经网络的物体检测技术大多建立在FRCNN(快速区域卷积神经网,Faster Region Convolutional Neural Network)的框架下：首先将输入图像进行一系列的卷积操作，得到特征图；然后在特征图中根据ROI(感兴趣区域，Region of Interest)的位置及尺度，在图像特征图上动态池化出具有固定长度的特征作为该ROI的特征，最后利用该ROI特征对该ROI中的物体分类并回归该物体的包围框。

虽然这类基于卷积神经网络的方法具有良好的检测性能，但需要大量的存储空间和计算资源，通常仅能在GPU上运行，因此无法满足嵌入式电子设备应用的需求。

为了提高检测算法的速度，出现了一些更高效的网络结构，这类方法不依赖于基于ROI的动态池化，而是直接由图像特征图上每个点的特征直接分类，并回归物体的包围框参数。与FRCNN的检测模型相比，该方法能够在保证精度的情况下提速2.5倍，或者在降低精度约10％的情况下提速8.6倍。依然距离高效嵌入式应用的需求有数十倍的差距。

对于自动驾驶、无人机、家庭辅助和基于手势的交互系统等实际应用，高能效是物体检测算法能够广泛应用的先决条件。然而，基于卷积神经网络的检测方法具有良好的检测性能，但需要大量的存储空间和计算资源，通常仅能在GPU上运行，因此无法满足嵌入式电子应用的需求。

DVS(动态视觉传感器，Dynamic Vision Sensor)相机具有高效能的特点，然而现有的基于神经网络的物体检测算法都有着较高的复杂度，使得整个视觉检测系统的功耗依然很高，无法满足实际应用的需求。

此外，在目前国内自动驾驶发展迅速，针对自动驾驶公交车辆已经在各大客巴运输公司的日程表中，但是现有技术中针对于大巴、公交车等大型车辆的自动驾驶提供准备的视觉感知数据中距离数据准确度不高。

因此，迫切需要一种特别提高准确度的装置来解决这一问题。

实用新型内容