[发明专利]基于YOLO的车辆前方障碍物检测方法

说明书

基于YOLO的车辆前方障碍物检测方法，本发明涉及车辆前方障碍物检测方法。本发明的目的是为了解决现有目标检测算法检测准确率低、检测速度慢的问题。具体过程为:一、获取数据集，利用标注框标注训练集图像中每一个目标；二、初始化卷积神经网络，将标注框标注完的训练集输入卷积神经网络；三、对训练集图像进行预处理；四、分割成7*7的网格；五、网格选取初始候选框；六、得到目标类别M的类别置信度；七、根据类别置信度设置卷积神经网络输出，得到最终预测框；八、得到最终权值和训练完的卷积神经网络；九、利用训练完的卷积神经网络对测试集图像进行测试，确定车辆前方障碍物。本发明用于车辆前方障碍物检测领域。

技术领域

本发明涉及车辆前方障碍物检测方法。

背景技术

随着人工智能的不断发展，以及市场需求的逐渐提升，无人驾驶逐渐成为了国内外专家研究的热点。车辆前方障碍物检测是无人驾驶系统中的一个重要环节。在真实的交通场景下，目标检测受到很多因素，例如:光照、遮挡等的影响。如何快速、准确地对复杂交通场景下的车辆前方目标进行识别和定位，关系着无人驾驶领域的安全性，是一个值得深入研究的课题。

随着深度学习的不断发展，研究人员开始将其应用在目标检测领域，它为整个领域带来了巨大变化。卷积神经网络可以很好的提取图像特征，避免了早起手工提取特征的缺点。一个卷积神经网络便可将特征提取和分类融合在一起，这使检测准确度和速度大大提升。在2014年，Girshick等人基于卷积神经网络提出了R－CNN目标检测模型。该模型将深度学习和传统的分类器思想结合起来，通过卷积神经网络提取特征并使用SVM进行分类，最终的准确率相较于传统算法有了很大的提升，但检测准确率并不能达到要求，检测准确率低。由于在选择候选区域时所花费的时间较多且算法较复杂，该模型的检测速度并不能达到实时要求，检测速度慢。

发明内容

本发明的目的是为了解决现有目标检测算法检测准确率低、检测速度慢的问题，而提出基于YOLO的车辆前方障碍物检测方法。

基于YOLO的车辆前方障碍物检测方法具体过程为:

步骤一、获取数据集，数据集分为训练集和测试集，利用标注框标注训练集图像中每一个目标，得到训练集图像中每一个目标的位置信息与类别信息；

步骤二、初始化卷积神经网络，将标注框标注完的训练集输入卷积神经网络；

步骤三、对训练集图像进行预处理；

步骤四、将预处理后的训练集图像分割成网格；

步骤五、网格选取初始候选框；

每个网格随机生成两个初始候选框；

步骤六、网格进行目标检测，得到目标类别M的类别置信度；

步骤七、根据类别置信度设置卷积神经网络输出，得到最终预测框；

步骤八、将步骤一中标注框标注的训练集图像作为卷积神经网络的输入，步骤七得到的最终预测框的训练集图像作为卷积神经网络的输出，训练卷积神经网络，得到最终权值和训练完的卷积神经网络；

步骤九、利用训练完的卷积神经网络和最终权值对测试集图像进行测试，确定车辆前方障碍物。

本发明的有益效果为：

本发明基于YOLO的车辆前方障碍物检测方法,首次将YOLO模型应用在自动驾驶中复杂场景下的车辆目标检测，YOLO模型结构简单，检测准确率高，同时检测速度快，能够满足目标检测的要求，并对YOLOv2和YOLOv3版本进行对比。结果表明，YOLOv2对车辆目标检测的mAP(mean Average Precision)可以达到53.58％，检测速度达到了62帧每秒，而YOLOv3对车辆目标检测的mAP可以达到70.22％，检测速度达到了34帧每秒，可基本满足目标检测要求。

附图说明