摘要
随着V2X车辆网技术的发展，车路协同技术成为人们研究的热点，在路侧安装目标检测传感器，可以为交通路口车辆统计、防撞预警、实时调度等提供更加低成本、高实时性、高准确性的数据来源，降低对单车智能的依赖。目前主流的目标检测传感器是毫米波雷达和相机，毫米波雷达能检测出目标的距离和速度，但不能准确识别目标类型，且容易受噪声干扰产生虚假目标；相机探测范围广且能获得丰富的图像信息，但对环境因素要求较高。因此，论文针对毫米波雷达和相机存在的不足，研究设计了基于毫米波雷达和相机信息融合的路侧车辆目标检测模型，以此实现信息互补，提高检测精度和实时性。论文主要工作包括以下几个方面： 1.论文首先分析了车辆目标检测的必要性和不同传感器在目标检测方面的性能，总结了车辆目标检测算法和多传感器信息融合研究现状和存在的主要问题，设计了车路协同路侧目标检测系统架构。 2.针对毫米波雷达易受环境影响产生虚假目标甚至出现误检、漏检的情况，论文结合C-V2X高精度定位信息设置目标检测范围阈值，初选出有效范围内目标，并设计了滤波算法对毫米波雷达数据进行了预处理，以此提高数据的可靠性和有效性。 3.针对相机检测实时性上的不足，论文在Darkent框架下设计了基于YOLO深度学习的检测算法，对多尺度特征融合网络结构进行了优化，利用物体标签对网络进行训练得到权重文件，提升了对小目标检测的性能。 4.论文设计了毫米波雷达和相机融合框架，建立了毫米波雷达和相机时间和空间联合标定模型，实现了基于目标ROI区域的数据关联算法。同时针对不同场景下因传感器检测精度变化而造成检测误差大的情况，论文设计了一种基于交互式多模型的自适应目标检测算法，通过改变模型权重使系统保持较高检测精度。 5.最后通过测试验证，论文设计的融合方法能够准确检测出车辆目标，识别准确率可达92%，实时性较好，在JetsonAGXXavier服务器上检测速率可达33fps，并且能够适应不同场景，系统稳定性较好，能够为车路协同平台提供比较可靠的交通道路车辆信息。
NETL