摘要
随着汽车行业的迅速发展，人工智能技术的兴起，智能辅助驾驶成为汽车领域中的新兴产业之一，越来越多的车企开始将环境感知技术作为自己的研究热点。通过摄像头及传感器技术的融合，对周围环境进行环境感知任务，评估车辆周身道路态势成为了保障自动驾驶安全行驶的关键因素。本文结合当前现有自动驾驶技术，提出一种多任务结构网络，核心内容为基于神经网络对车道线和可行驶区域进行识别检测，对 YOLOv5 进行相关改进，提高其目标检测和识别精度，并结合双目视觉对车辆周围其他车辆、非机动车及行人进行分类检测和环境深度计算。为实现以上目的和效果，为此本文做了以下几个内容研究： (1)首先选择两种算法对车道线进行检测，并对比其优劣。采用经典的霍夫变换算法对车道线进行识别与检测，随后通过最小二乘法对检测到的车道线进行拟合，从而实现预期的车道线识别效果。但此方法更适用于高速路等道路态势简单场景，遇到复杂转弯或有遮挡情况下会降低精确度。因此利用 SimGNN 图神经网络对车道线进行基于行的检测，选择行上的网格，再对每个像素进行分类分割的方法，有效缓解了复杂道路情况下的检测不佳的问题。将两种方法使用Tusimple数据集进行测试，得到传统方法准确率为93.4%，而基于深度学习的方法准确率提升到95.87%，图像处理平均耗时也有所降低。 (2)剖析四大坐标系的转换关系，推导双目立体视觉的测距原理。张正友棋盘标定得到相机内外参数，选择GA-Net作为立体匹配算法，分析网络结构和工作原理。对左右输入图像进行预处理和立体校正，采用cityscapes数据集进行训练，同时选择 KITTI 子数据集进行数据集的泛化测试，并将获取到的视差图与SGM算法进行对比，效果显示GA-Net的视差图更加清晰，优于SGM算法。 (3)对目标检测网络YOLOv5进行三方面改进，分别为引入CA注意力机制、BiFPN特征融合和预测框回归算法的改进。建立VOC-KITTI数据集，将改进后的网络在数据集上进行训练，同时与 SSD 算法和原版 YOLOv5 算法进行对比，得到改进后的算法mPA值均高于前二者，达到70.1%。 (4)结合GA-Net网络与改进后的YOLOv5网络构建目标检测及测距模型，实验表明，在20m距离范围内，目标检测相对误差控制在2%以内，绝对误差最大为0.4m，整体系统达到预期要求，基本实现本课题研究目的。
NETL