一種基于單目視覺的前車識別系統(tǒng)設(shè)計

程泊靜　劉紅業(yè)　胡鴻飛　劉洋

摘 要：在車路協(xié)同環(huán)境下，為了提高智能汽車的行駛安全性，需要針對前車實時檢測與識別進(jìn)行研究。當(dāng)前的前車識別系統(tǒng)中存在著成本高昂、系統(tǒng)穩(wěn)定性差和無法對移動車輛進(jìn)行準(zhǔn)確定位等一系列問題。本文中使用單目攝像頭進(jìn)行前車識別系統(tǒng)設(shè)計，并基于YOLOv3來實現(xiàn)前車的實時檢測、位置跟蹤和識別。通過在車輛端和路側(cè)端上的攝像頭布置該系統(tǒng)進(jìn)行實驗與理論驗證，發(fā)現(xiàn)本系統(tǒng)有較好的識別精度和較高的性價比。

關(guān)鍵詞：單目相機(jī) 前車識別 YOLOv3

A Design of Vehicle Front Recognition System Based on Monocular Vision

Cheng Bojing，Liu Hongye，Hu Hongfei，Liu Yang

Abstract：In a vehicle-road collaborative environment， in order to improve the driving safety of smart cars， it is necessary to conduct research on real-time detection and recognition of the preceding vehicle. The current front vehicle recognition system has a series of problems such as high cost， poor system stability and inability to accurately locate moving vehicles. In this paper， a monocular camera is used to design the vehicle in front of the system， and based on YOLOv3 to realize the real-time detection， position tracking and recognition of the vehicle in front. Through the arrangement of the camera on the vehicle end and the roadside end of the system for experimental and theoretical verification， it is found that the system has better recognition accuracy and excellent performance.

Key words：monocular camera， vehicle in front recognition， YOLOv3

無人駕駛技術(shù)是目前國內(nèi)外研究的重點技術(shù)之一，不論對政府還是企業(yè)來說，都具有極大的研究價值與應(yīng)用意義[1]。跟車工況是指汽車在行駛過程中跟隨前車并保持安全車距的一種駕駛工況，這是汽車行駛過程中最常見且最重要的工況之一。對于無人駕駛汽車來說，跟車工況的執(zhí)行情況直接關(guān)系到汽車的安全性和舒適性，因此也決定了人們對無人駕駛技術(shù)的接受程度[2]。前車識別是實現(xiàn)跟車工況執(zhí)行的關(guān)鍵技術(shù)之一，良好的前車識別技術(shù)讓實現(xiàn)自動駕駛普及成為可能[3]。

1 前車識別算法

1.1 傳統(tǒng)的前車識別方法

傳統(tǒng)的前方車輛識別方法主要通過特定區(qū)域框選和手工特征提取后進(jìn)行機(jī)器學(xué)習(xí)來實現(xiàn)。這些算法主要是包括對前方車輛進(jìn)行目標(biāo)提取和目標(biāo)識別兩個過程[4]。常見的算法有：AdaBoost（自適應(yīng)提升）+Harr（監(jiān)督分類器）、SVM（支持向量機(jī)）+HOG（方向梯度直方圖）、DPM（可變組件模型）算法等。這些算法普遍無法適應(yīng)復(fù)雜的實時路況下前車識別，例如：SVM+HOG算法很難處理遮擋問題，車輛方向發(fā)生變化時也不易檢測;DPM算法雖然直觀簡單、運(yùn)算速度快，但激勵特征人為設(shè)計，工作量大，無法適應(yīng)大幅度的旋轉(zhuǎn)，穩(wěn)定性很差。雖然這些算法無法適應(yīng)車路協(xié)同、自動駕駛條件下的前車識別要求，但因為其成本低、技術(shù)成熟而被廣泛應(yīng)用于固定車牌識別、人臉識別等應(yīng)用場景。

1.2 基于深度學(xué)習(xí)的前車識別方法

當(dāng)前，基于深度學(xué)習(xí)的前車識別方法主要有R-CNN、SSD以及 YOLO系列等[5]。R-CNN和Fast R-CNN、Faster R-CNN等模型需要對一個區(qū)域進(jìn)行候選框提名，并將候選框帶入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行運(yùn)算，因此在復(fù)雜環(huán)境下容易造成候選框過多、運(yùn)算量極大，從而導(dǎo)致識別速度降低。而 SSD 和YOLO 系列是一個網(wǎng)絡(luò)直接回歸出目標(biāo)的類別和位置，不存在R-CNN的問題，因此目前被更廣泛的應(yīng)用于車路協(xié)同、自動駕駛環(huán)境下的前車識別系統(tǒng)中。值得一提的是，經(jīng)過學(xué)者們反復(fù)實驗驗證發(fā)現(xiàn)，SSD模型會因為環(huán)境復(fù)雜度的增加而導(dǎo)致運(yùn)行速度下降。因此在目前的軟硬件條件下，選擇YOLO系列將更加合適。

2 YOLO系列模型概述

YOLO（You Only Look Once），YOLO沒有顯示求取region proposal的過程，因此與R-CNN相比，YOLO統(tǒng)一為一個回歸問題，而R-CNN將檢測結(jié)果分為兩部分求解。

YOLOv1的核心思想是將整張圖片作為網(wǎng)絡(luò)的輸入（類似于Faster-RCNN），直接在輸出層對BBox的位置和類別進(jìn)行回歸。實現(xiàn)方法是將一幅圖像分成SxS個網(wǎng)格（grid cell），如果某個對象的中心落在這個網(wǎng)格中，則這個網(wǎng)格就負(fù)責(zé)預(yù)測這個對象（如下圖1所示）。

YOLOv2相對v1版本，提出了聯(lián)合訓(xùn)練算法，這種算法可以把這兩種的數(shù)據(jù)集混合到一起。使用一種分層的觀點對物體進(jìn)行分類，用巨量的分類數(shù)據(jù)集數(shù)據(jù)來擴(kuò)充檢測數(shù)據(jù)集，從而把兩種不同的數(shù)據(jù)集混合起來。在繼續(xù)保持處理速度的基礎(chǔ)上，識別對象和識別準(zhǔn)確度均有較大提升（如圖2所示）。

YOLO v3的模型增加了一定的復(fù)雜性，可以通過改變模型結(jié)構(gòu)的大小來權(quán)衡速度與精度。YOLO v3在識別圖像時會利用了圖像中的全局信息，通過單一網(wǎng)絡(luò)評估進(jìn)行預(yù)測。這令 YOLOv3 非?？?，一般它比 R-CNN 快 1000 倍、比 Fast R-CNN 快 100 倍。YOLO v3使用Darknet-53（網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示）作為基礎(chǔ)網(wǎng)絡(luò)來提取圖像特征進(jìn)行識別。

2020年以來，YOLO v4和YOLO v5相繼推出，它們的檢測速度更快、模型更小因此更適合布置在終端設(shè)備上，但在前車識別系統(tǒng)中能否穩(wěn)定、可靠、精準(zhǔn)的應(yīng)用還有待考證。

3 實驗與結(jié)果分析

實驗環(huán)境：模型使用 python3.6 進(jìn)行編譯和測試，對應(yīng)的開發(fā)工具 Pycharm，主計算機(jī)視覺庫 Python-OpenCv3.4.2，操作系統(tǒng) Windows10，CPU 為 i9-9900K 的十六核處理器，主頻 3.60GHz，顯卡 GeForce RTX 2080Ti，內(nèi)存 64GB，硬盤容量 1TB SSD。

硬件平臺：

車載實驗平臺：北汽EU150自動駕駛汽車，F(xiàn)LIR單目攝像頭（如下圖4所示）。

路側(cè)實驗平臺：大華單目攝像頭（槍機(jī)），如下圖5所示。

實驗結(jié)果：

將路側(cè)視頻輸入識別系統(tǒng)后，效果如圖6所示。

利用line命令統(tǒng)計越線的車輛總數(shù)與人工計數(shù)，每次計算十分鐘，總共截取視頻50段，比較后發(fā)現(xiàn)系統(tǒng)識別效果如下表1所示。

4 結(jié)語

為了提高車路協(xié)同、無人駕駛環(huán)境下，智能車輛跟車工況的安全性，本文利用YOLOv3模型開發(fā)除了一種基于單目視覺的前車識別系統(tǒng)。該系統(tǒng)能極大的提高智能車輛在復(fù)雜環(huán)境下的車輛識別效率、速度，從而達(dá)到提高車輛安全綜合性能的目的。目前，車輛識別系統(tǒng)在對于轎車、越野車、公交車等各種車輛識別效果上有不俗的表現(xiàn)，但對于行人識別效果上仍有進(jìn)一步改進(jìn)的空間。

湖南省教育廳科學(xué)研究課題：基于無人駕駛汽車跟車工況的制動控制技術(shù)研究（18C1463）。

參考文獻(xiàn)：

[1]程泊靜，陳剛，陳標(biāo)，李治國.純電動自動駕駛觀光車的制動防抱死系統(tǒng)設(shè)計與研究[J].裝備制造技術(shù)，2018（03）：54-57.

[2]朱敏，陳慧巖.無人駕駛越野車輛縱向速度跟蹤控制試驗[J/OL].機(jī)械工程學(xué)報：1-7[2018-12-04].

[3]顧恭，徐旭東.改進(jìn)YOLOv3的車輛實時檢測與信息識別技術(shù)[J/OL].計算機(jī)工程與應(yīng)用：1-17[2020-11-11].

[4]陳高攀，徐美華，王琪，郭愛英.一種基于單目視覺的前方車輛檢測算法[J].上海大學(xué)學(xué)報（自然科學(xué)版），2019，25（01）：56-65.

[5] 許洋，趙亞男，高利，高峰.基于單目視覺的車輛檢測與跟蹤[J].激光雜志，2020，41（05）：18-22.