基于类人视觉的多任务交通目标实时检测模型

针对复杂交通场景下单个模型无法同时对可行驶区域和交通目标进行统一检测和检测实时性较差的问题,本文中提出了一种基于类人视觉的多任务交通目标单阶段检测模型,实现了可行驶区域和车辆、行人的实时统一检测。首先建立类人视觉注意力机制进行监督,采用轻量化模型MobileNetV3作为骨架,接着利用特征金字塔的思想对可行驶区域进行检测,最后采用动态注意力算法和anchor-free思想对交通目标进行检测。实验结果表明,引入驾驶员人眼注意力机制明显提升了模型的精度和鲁棒性,模型在实车上平均运算速度达到了12帧/s。

多任务检测网络下车道线宽度测距方法

针对复杂交通场景下单个模型无法同时检测车道线和车辆,以及车道线检测实时性较差的问题,提出了一种新的多任务检测网络模型,该模型可以同时检测车辆和车道线,无需任何先验信息。同时,在多任务检测网络模型下修正现有的基于车道宽度进行测距的方法:对现有方法在弯道下测距产生的误差进行分析后,提出一种弯道下基于车道线斜率的车道横向宽度的计算模型,在假设车道线是同心圆模型前提下,修正车道横向宽度计算公式后推导出前方车辆纵向距离的测距模型,车道线曲率为0.01时,对50 m范围内的车辆实施修正后的测距方法,测距误差小于3%;在车道线曲率小于0.005时,对100 m范围内的车辆实施修正后的测距方法,测距误差小于1%,相较于现有方法,修正后测距方法的测距精度显著提高。最后通过KITTI数据集验证在多任务检测网络下实施修正后的测距方法的效果,结果表明:多任务检测网络对车道线的近点拟合效果较好,且在有遮挡的情况下仍然可以预测出遮挡部分的车道线,鲁棒性较好,修正后的测距方法的平均测距误差小于5%,测距精度明显提高。

基于YOLOV3改进的实时车辆检测方法

针对原始YOLOV3目标检测算法在车辆检测任务中存在的实时性不高的问题,提出了一种改进的车辆检测模型。该模型使用反残差网络作为基础特征提取层,以减少参数量,降低计算复杂度,解决梯度消失和梯度爆炸问题。并且使用组归一化降低批量大小对模型准确性的影响,同时用软化非极大值抑制降低漏检率,使用Focalloss改进损失函数,使模型在训练时聚焦于难分类样本。改进后的模型参数量为YOLOV3的36.23%,每帧检测时间较YOLOV3降低了13.8ms,平均类别精度提高了1.15%。结果表明,本文算法兼顾实时性和准确性,为车辆的实时性检测提供参考。