基于深度学习的复杂路况检测和跟踪方法研究

作     者：张耀明 

作者单位：长安大学 

学位级别：硕士

导师姓名：李良敏

授予年度：2022年

学科分类：08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 080204[工学-车辆工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 

主      题：YOLOv5s Attention 卡尔曼滤波 外观信息 级联匹配 表观特征提取网络 

摘      要：随着我国汽车工业的发展,逐步攀升的汽车保有量诱发了诸多交通安全问题,所引发的交通拥堵问题也成为了治理城市的难点之一。智能驾驶技术不仅能有效解决交通问题,还能提高驾驶安全性和可靠性。环境感知作为智能驾驶技术的重要环节,是智能车辆领域的研究热点之一。本课题依托于国家重点研发计划项目《面向机场行李转运的群体智能托运车辆研究与实践》,采用高清摄像头完成智能汽车复杂路况下的目标检测和跟踪任务。本文研究内容主要围绕以下几方面展开:(1)针对复杂路况下目标识别精确率低的问题,提出了一种YOLOv5s融合卷积注意力模块Attention的算法,结合空间和通道丰富了特征映射,并加入空洞卷积层增强感受野,细化目标特征,赋予更具判别性的特征以更大权重,提高了图像感兴趣区域提取能力。针对原始数据集目标比例不平衡的问题,实车采集真实道路场景构建增广数据集,人工标注后将标注文件转化为YOLO格式并整理为实车数据集。设计了目标检测损失函数,介绍了目标检测评价指标,设置训练参数并进行模型训练,在增广数据集上的试验结果表明:与YOLOv5s相比,YOLOv5s+Attention模型的平均精确率高1.8%,达到了49.9%,改进模型可应用于目标实时检测任务。(2)针对长时间遮挡目标匹配度低及身份转变次数多的问题,提出了一种基于改进的表观特征提取网络融合外观特征和级联匹配策略的多目标跟踪算法。在前期目标检测的基础上,多目标跟踪算法利用卡尔曼滤波器对目标实施状态预测和更新,加权融合目标的深度信息与外观信息,引入重识别领域改进的表观特征提取网络提供目标外观信息,进而形成一个新的代价矩阵,根据该代价矩阵计算检测和跟踪轨迹之间的匹配度;借助匈牙利算法完成多目标匹配任务,基于融合的外观特征,通过级联匹配策略和Io U匹配策略对遮挡目标进行有效匹配和跟踪;设计改进的表观特征提取网络并完成模型训练,与原始网络相比,改进的表观特征提取网络在训练集和验证集上的分类精确度分别提升了8%和3%,验证集分类精确度达到了82%,即认为有82%的概率认为目标经过遮挡后还是同一目标,跟踪算法减少了目标ID的转变,有效提升了小目标物特征提取并提高分类精确度。(3)搭建实车试验平台验证前文所提出的多目标检测和跟踪算法。通过改进的目标检测模型和跟踪算法先后完成多目标检测和跟踪试验,试验在两种光照环境下选用多种复杂环境完成。多目标检测试验分为:1)白天场景复杂路况感知试验;2)夜间场景复杂路况感知试验;3)目标检测算法精度分析;4)目标检测算法实时性分析。多目标跟踪试验分为:1)白天场景复杂路况多目标跟踪试验;2)夜间场景复杂路况多目标跟踪试验;3)MOT16数据集跟踪指标测试分析;4)目标跟踪算法实时性分析。试验结果表明,改进的YOLOv5s融合Attention模块目标检测模型和跟踪算法能快速有效地完成复杂路况场景下的实时检测和跟踪任务。