摘要
随着国家交通强国建设纲要的颁布实施，如何发展高效安全的自动驾驶技术成为了当下的研究热点，车辆目标检测与测距技术作为自动驾驶技术中的核心，目前还有很多需要改进的部分。针对传统目标检测和测距技术的测距传感器昂贵、复杂路段检测精度低、检测速率慢的问题，本文采用基于YOLOv8改进的网络模型进行车辆目标检测提升检测精度，搭建基于SGBM半全局立体匹配算法的双目视觉测距系统进行车辆测距，开发融合车辆目标检测与测距的上位机系统，将系统算法移植部署到嵌入式边缘设备JetsonXavierNX上进行实车搭载检测。论文的主要研究内容如下： （1）采用基于YOLOv8改进的深度学习目标检测算法进行车辆目标检测，实现了车辆目标检测精度和速度的提升。对现有的目标检测网络YOLOv8n进行改进，在中目标和大目标检测头前引入GAM全局注意力机制，通过减少信息损失和放大全局交互提高模型对车辆目标的特征提取能力；在颈端网络引入基于Slim-Neck设计的轻量化卷积模块，通过深度可分离卷积和混洗操作减少模型参数量和计算量；用WIoU_v3损失函数替换原有的CIoU损失函数，通过非单调动态聚焦机制的梯度增益分配策略提升模型的泛化能力和网络边界框的回归精度；构建了公共数据集和自制数据集进行训练测试和对比实验，以改进各子模块进行了消融实验，最后与SSD、YOLOv7-tiny、YOLOv8-MobileNet等目标检测模型进行了对比实验，实验结果表明本改进模型较基线网络YOLOv8n模型在参数量上下降0.3M，计算量上下降0.2G，在自制数据集和公共数据集分别有0.8%和4.4%的精度提升。 （2）采用基于SGBM的半全局立体匹配算法搭建设计双面视觉的测距系统平台，实现了车辆测距的准确性和实时性。利用张正友标定法对双目相机进行标定获得内外参矩阵，使用Bouguet算法对双目图像进行立体校正，对比GC、BM、SGBM三种立体匹配算法的匹配精度和速率，选择匹配精度高和匹配速率快的SGBM算法进行立体匹配获得最优视差，最后结合双目测距三角相似原理计算出车距。在校内封闭路段对前车进行静态测距实验，测距结果平均误差的绝对值为104mm，平均相对误差为1.49%，将实验平台移植到真实道路行驶的车辆中进行动态测距实验，测距结果平均误差的绝对值为307.4mm，平均相对误差为3.29%，平均每帧耗时30.12ms，能满足实际测距场景下的需求。 （3）将基于YOLOv8n改进的目标检测网络和基于SGBM立体匹配的双目视觉测距算法进行融合，开发了车辆检测与测距的上位机系统，可实时检测前方车辆的位置、类别和距离信息，在此基础上将整个系统移植部署到嵌入式开发平台JetsonXavierNX上并进行实车搭载实验。实现结果表明移植的算法系统在嵌入式边缘设备上能有效稳定的运行，车辆检测与测距系统能快速并准确的识别出前方车辆类别和距离，基本满足实际场景的应用。
NETL