基于深度學習的智能車輛輔助駕駛系統設計
鄒鵬1，諶雨章1*，蔡必漢1
（1.湖北大學 計算機與信息工程學院，湖北 武漢 430062）
Design of Intelligent Vehicle Assistance Driving System Based on Deep Learning
Zou Peng1,Chen Yuzhang1*，Cai Bihan1
(1. College of Computer and Information Engineering, Hubei University, Hubei 430062, China)
摘 要：為幫助駕駛員在夜間行車時確認前方路況，設計出以保證自己及他人出行安全的車載夜視輔助駕駛系統。通過構建深度學習神經網絡算法，將經預處理得到的車輛周圍圖像作為神經網絡的輸入數據，經過已逐層訓練與調參得到的離線網絡運算后，從實時圖像數據中提取出障礙物的特征信息與運動情況。根據駕駛車輛上采集設備對行車軌跡環境的探測反饋，正確識別車輛所處的環境狀態，進而對駕駛員進行提醒，并幫助車輛在面對突如其來的危險時進行正確的行駛決策，避免事故的發生。
關鍵詞：夜視；輔助駕駛；深度學習；運動變化；行駛決策 中圖分類號：TP183;TP391.4
Abstract: To help drivers confirm the road ahead while driving at night, design a car night vision assisted driving system to ensure the safety of themselves and others. By constructing the deep learning neural network algorithm, the pre-processed vehicle surrounding image is used as the input data of the neural network, and the offline network operation obtained by layer-by-layer training and adjustment is used to extract the obstacle features from the real-time image data. Information and sports. According to the detection feedback of the driving equipment on the driving vehicle environment, the environment status of the vehicle is correctly identified, and then the driver is reminded, and the vehicle is made to make correct driving decisions in the face of sudden dangers to avoid accidents. .
Key words: Night vision; assisted driving; deep learning; movement change; driving decision
1 引言
隨著人民生活水平的快速發展，汽車已經成為我們出行的主要方式。然而隨之而來的是交通事故發生率的逐年增加。高級駕駛輔助系統是指通過在車上安裝一些輔助設備收集周圍環境信息，進行分析處理，用以幫助駕駛員進行決策、控制汽車減速剎車或者啟動安全氣囊等行為的一套完整裝置[1],從而增加駕駛的安全性，降低危險的發生率。
2 系統設計
|
圖 1 系統結構框圖 |
本系統主要是對高級車載輔助駕駛(ADAS)中的障礙物檢測系統進行研究。 在分析對比了當前主流的行人檢測方法之后，選用基于聚合通道特征(ACF) 和AdaBoost學習分類器來實現障礙物檢測，并使用深度學習作為工具對障礙物運動狀態軌跡進行預判。本文在基于原始的ACF方法的掃窗口框架的基礎上進行了改進，提高了檢測和預判速度，并結合車載紅外夜視技術，將不可見目標輻射轉變成為可見的目標光電圖像并進行預判運算，以適應于不同環境下車載上的障礙物檢測實時性的要求。
本智能車輛輔助駕駛系統包括圖像采集模塊，用于采集車輛周圍影像信息；障礙物特征提取與計算模塊，用于判斷行車軌跡中是否存在障礙物，并將被認定為障礙物的物體運動特征提取并進行相關計算；預警模塊，用于實時監測圖像動態，當判定障礙物運動軌跡會與行車軌跡沖突時時進行提示并作出預警措施；圖像顯示模塊，用于顯示處理后的圖像及預判結果用作對駕駛員提醒，并對影響進行保存備份,系統結構如圖1所示。
3 技術路線
3.1動態障礙物檢測與分類方法
車前障礙物檢測與分類系統中，圖像采集裝置可采用車輛內的行車記錄儀等處，實時獲取車輛行駛前方道路視頻圖像。中央處理模塊(可以采用微型電腦)對圖像進行障礙物檢測和分類。障礙物檢測可以采用卡爾曼濾波算法實現，然后對檢測到的障礙物進行特征提取。提取目標圖像的對稱性、邊緣直線水平度和長寬比等特征，建立貝葉斯網絡對障礙物進行分類，分類結果通過語音進行提示。
通過貝葉斯網絡提取障礙物的三個特征進行分類，分別是障礙物的對稱性、邊緣直線水平度和目標長寬比。通過大量樣本圖像的特征值提取，可以得到圖像的特征值分布;計算圖像的特征值高斯概率分布，得到樣本特征屬性的先驗概率，作為貝葉斯分類器的輸入。然后對待測樣本圖像進行貝葉斯分類計算，得到測試圖像類型概率，概率最大的對應類即是待測樣本的類別。本項目采用最小誤差概率的樸素貝葉斯進行分類[3]，能夠有效地將障礙物信息進行分類，錯誤率較低。所提取得到障礙物的對稱性、邊緣直線水平度和障礙物的長寬比。可以有效地將行人、機動車及汽車進行分類。
3.2 深度學習訓練過程
在深度學習算法中，數據預處理扮演了很重要的角色。在實際運用當中，為提高算法的精確度，常常將數據進行正則化和白化。為了提高無監督特征學習的速度，通過采用主成分分析法(Principal Component Analysis，PCA)和白化(whitening) 操作來對數據進行降維[4]，從而達到對數據的預處理效果。
PCA算法是一種能夠極大提升無監督特征學習速度的數據降維算法。由于圖像中相鄰的像素相關度高，意味著輸入數據中存在著較多冗余信息。利用PCA算法可以在將輸入向量轉換為一個維數低很多的近似向量，并保證誤差相對較小。在訓練自動編碼器等無監督特征學習的神經網絡算法時，算法運行的時間取決于輸入數據的維數。用經預處理后得到的低維數據取代原始數據作為輸入數據，將可以顯著加快運行速度，提高學習效率。
4 總結
本系統針對當前輔助駕駛領域的需求情況，結合當下現有的行車記錄設備進行大量數據采集的優勢與深度學習算法無監督特征提取的特點[5]，嘗試將深度學習算法運用在車輛碰撞躲避策略中。通過對算法處理得到的大量數據進行分析與計算，提取出車輛周圍的障礙物信特征息的運動情況，并找到當前車輛周圍障礙物類別及運動情況下最優化的車輛應急決策，將有助于人們駕駛車碰撞躲避策略中的行駛決策，避免交通事故的發生。
綜上，本項目是從硬件和軟件同時入手，從硬件方面縮減體積功耗，從圖像處理方面改進探測能力，從算法模型方面增強適用性，從深度學習增加準確性，在減小成像探測系統的體積功耗的基礎上，探測效果和分辨率不下降甚至得到提升，從而為便攜高效式夜視輔助駕駛及行車記錄探測提供解決方案，并研究如何將便攜式探測系統應用于各種輔助駕駛系統。
參考文獻
[1] 劉志輝. 基于車載輔助駕駛平臺的快速行人檢測技術及其應用[D]. 2016.
[2] 何春燕. 基于卷積神經網絡的車行環境多類障礙物檢測與識別[D].
[3] 韓飛龍, 應捷, 朱丹丹. 一種新的車輛輔助駕駛動態障礙物檢測與分類方法[J]. 計算機應用研究, 2017(6).
[4] 董彥芳, 龐勇, 許麗娜, et al. 高光譜遙感影像與機載LiDAR數據融合的地物提取方法研究[J]. 遙感信息, 2014(6):73-76.
[5] 陳惠珍. 基于深度學習的無人車避障策略研究[D]. 2016.