基于CNN的车辆安全距离感知系统研究与设计

摘要

CNN是卷积神经网络，一种深度前馈人工神经网络，能够提取图像的高级特征，已经成功应用于图像的分类识别，在计算机视觉领域中很有影响力。近年来迅速的经济发展逐渐提高了人民的物质生活水平，也提高了城乡公路的建设水平，汽车保有量比起以往呈现大幅增长的趋势，公路上的行车速度也在增高，城市交通压力越来越大。交通压力的剧增致使了大量交通事故的发生，给人们的出行安全带来了大量的威胁，降低交通事故发生率迫在眉睫。解决现代交通问题的重要手段是智能交通系统，而汽车主动安全技术是智能交通系统的重要组成部分，其中智能驾驶辅助系统在不断完善中越来越受到社会的重视，成为未来汽车电子发展的主要驱动力之一。在车辆行驶过程中，安全车距是保证人身安全的必要条件，如果汽车能够主动识别前方车辆并判断行车距离是否安全，那么因尾追碰撞导致的交通事故数量将会大大减少。因此，开展车辆安全距离检测技术的研究对于改善道路交通状况和提高驾驶安全性具有重要的现实意义。
　　本文对比分析了现有的各种车辆安全距离检测技术，依据机器学习和卷积神经网络，开展了车辆安全距离感知系统的研究，提出一种基于深度卷积神经网络的车辆安全距离检测方法，车辆安全距离感知系统具备智能感知能力，可以正确识别出前方车辆类型并判断行车距离是否安全。本文着重分析了物体检测及数字图像处理的原理和方法并对采集到的图像数据进行预处理，如灰度变换、对比度增强以及噪声去除等，以便于卷积神经网络更好地对数据特征进行提取和分析。重点研究了机器学习、卷积神经网络的工作机制和设计方法，并设计一个深度卷积神经网络来实现车辆安全距离的感知，利用采集到的驾驶环境数据来训练卷积神经网络并对其距离感知效果进行测试验证。根据验证结果不断调整网络控制参数及网络结构，使其具有较高的检测准确率及工作效率。
　　本文主要对车辆安全距离感知系统中的目标检测、图像预处理以及图像识别模块进行测试，通过编程实现系统中各模块功能并搭建软件测试平台进行仿真测试。实验结果表明，目标检测模块可以在复杂背景环境下实时检测前方目标车辆并提取图像ROI，图像预处理模块不仅能够有效降低数据量，增强图像中重要信息的可检测性，还可以提高图像特征提取、分类识别的可靠性，并且具有较快的处理效率。图像识别模块可以实现前方车辆类型识别以及车辆安全距离的感知，且具有比较好的检测准确度和反应灵敏度，车辆安全距离检测的准确率可以达到97.5％，对于提高车辆驾驶安全性，改善现有的公路交通状况及减少交通事故的发生具有积极意义。

目录

声明

摘要

第1章 引言

1．1 立题及研究背景

1．2 国内外智能车辆研究现状

1．2．1 国外研究现状

1．2．2 国内研究现状

1．3 主要研究内容

1．4 论文的组织与结构

1．5 本章小结

第2章 现有车辆安全距离检测方法对比分析

2．1 激光测距

2．2 超声波测距

2．3 毫米波雷达测距

2．4 红外线测距

2．5 机器视觉测距

2．6 神经网络感知距离

2．7 本章小结

第3章 车辆安全距离感知系统总体设计

3．1 整体设计方案

3．2 本章小结

第4章 信息采集及目标检测设计

4．1 信息采集

4．2 目标检测

4．3 本章小结

第5章 图像预处理研究

5．1 灰度变换

5．2 直方图均衡化

5．3 图像去噪

5．4 本章小结

第6章 数据样本设计

6．1 图像分类标记

6．2 数据格式转换

6．3 本章小结

第7章 图像识别模块设计

7．1 构造输入数据

7．2 构建图像识别网络

7．2．1 车辆分类识别网络

7．2．2 车辆安全距离感知网络

7．3 图像识别网络训练

7．3．1 线性回归

7．3．2 卷积过程

7．3．3 非线性变换

7．3．4 图像下采样

7．3．5 过拟合问题

7．3．6 局部响应归一化

7．3．7 正则化

7．3．8 损失函数

7．3．9 前向运算

7．3．10 反向传播

7．4 测试方法

7．5 本章小结

第8章 测试及分析

8．1 求解参数最优值

8．2 优化设计结构

8．3 本章小结

结论

致谢

参考文献