[发明专利]一种基于YOLOv5改进行人车辆安全距离检测算法

说明书

本发明公开了一种基于YOLOv5改进行人车辆安全距离检测算法，设及人工智能领域，包括以下步骤：(1)车辆行人图像信息的获取；(2)车辆行人图像样本的划分；(3)车辆行人图像的特征提取；(4)PANet车辆行人安全距离检测模型的构建。本发明采用PANet进行马路上车辆检测模型的构建，引入利用像素坐标以及世界坐标进行测速，避免了逆透视变换中大量重复的计算过程且将测距范围扩展到整个原始图像，从而获取更多、更有效的图像信息，有利于快速、准确检测出与被测车辆的距离，非常适合车辆驾驶防碰撞预警。

技术领域

本发明设及一种基于YOLOv5改进行人车辆安全距离检测算法，属于人工智能的领域。

背景技术

随着我国经济的发展，汽车保有量飞速增长。汽车给人们出行带来便捷的同时，潜在的交通事故也威胁着驾乘人员的安全，因此很多学者开始对车辆辅助驾驶技术进行研究。车辆辅助驾驶系统的任务就是对周围环境进行感知，并对潜在的威胁源进行检测和预警。行车时前方车辆作为潜在的碰撞发生对象，对其检测和测距方法的研究具有重要意义。

因此本文提出一种新型的“行驶车辆与前车距离的快速检测系统”--基于YOLOv5的检测系统，主要针对是“行驶车辆与前车距离检测”，该系统能检测与标记行驶车辆与前车和行人距离，并在检测出行驶车辆与前车距离较近时给出提示，在不影响车主正常行驶的情况下快速检测，更好的保障驾驶安全。

发明内容

针对上述问题，本发明提出一种快速简单的行驶车辆与前车距离识别方法。

为实现上述目的，本发明发采用的技术方案为：一种基于YOLOv5改进行人车辆安全距离检测算法，包括以下步骤：

(1)车辆行人图像信息的获取；

(2)车辆行人图像样本的划分；

(3)车辆行人图像的特征提取；

(4)PANet车辆行人安全距离检测模型的构建。

作为优选，所述步骤(1)中，获取车辆行人图像信息，得到车辆行驶的图像数据集。

作为优选，所述步骤(2)中，采用随机抽样的方式将所采集的车辆行人图像数据按一定比例划分为独立不重复的验证集和测试集。

作为优选，所述步骤(3)中，用于提取车辆行人图像信息特征的路径聚合网络PANet，其中PANet，其中PANet包括四个部分，分别为：FPN特征金字塔；自底向上路径扩充；自适应池化特征层；全连接层等。

作为优选，所述步骤(4)中，在训练和测试阶段，加入世界坐标和像素坐标进行测速。利用PANet提取马路上车辆行人图像特征在验证集上构建马路上车辆测速模块，确定测速模块的参数，然后利用测试集来检测识别效果，验证模块性能。

通过上述技术方案，本发明的有益效果是：提出一种新的基于路径聚合网路PANet模型，引入世界坐标和像素坐标，避免了逆透视变换中大量重复的计算过程且将测距范围扩展到整个原始图像，从而获取更多、更有效的图像信息，有利于快速、准确检测出与被测车辆的距离。与现有技术相比，本发明的优点是：(1)由PANet网络对数据集进行训练，得到一个高效的训练结果，由此可以对车辆行驶中与前车距离的快速测算，比起以往的方法更高效；(2)加入世界坐标和像素坐标，避免了逆透视变换中大量重复的计算过程且将测距范围扩展到整个原始图像。

YOLOv5较之前的版本有以下几个改进：

DataAugmentation:图像增强是从现有的训练数据中创建新的训练样本。实验中不可能为每一个现实世界场景捕捉一个图像，因需要调整现有的训练数据以推广到其他情况，从而允许模型适应更广泛的情况。

多样化的先进数据增强技术是最大限度地利用数据集，使对象检测框架取得性能突破的关键。通过一系列图像增强技术步骤，可以在不增加推理时延的情况下提高模型的性能。