[发明专利]一种基于毫米波雷达和视觉的道路目标检测与关联方法

说明书

本发明公开了一种于毫米波雷达与视觉的道路目标检测与关联方法，包括：1在车上安装毫米波雷达与相机；2构建改进的YOLOv3网络，包括主体网络和三个特征预测层，基于DIoU构建损失函数，训练网络，从而得到训练好的视觉检测模型；3对毫米波雷达的参数进行配置，并利用配置后的毫米波雷达采集CAN信号处理，为毫米波雷达输出目标预设长宽不同的预设框，并投影回像素坐标系下；4通过基于DIoU的代价计算方法计算雷达目标预设框与视觉目标框的代价值，并通过匈牙利算法设定合理阈值优化求解，得到全局最优匹配结果。本发明能提高毫米波雷达检测目标与视觉检测目标的关联精度，从而能获取更丰富的目标信息。

技术领域

本发明涉及车辆智能化检测设备领域，尤其涉及一种基于毫米波雷达与视觉的道路目标检测与关联方法。

背景技术

当下，智能汽车搭载了各种先进的传感器和通信设备，利用深度学习，5G技术，定位技术等等，为了乘客更安全，更舒适的驾乘汽车，最终实现真正的无人驾驶。

激光雷达造价高昂，分辨率高，成像效果好，测距准确，能清晰获得目标的大小和轮廓，同时它也容易受到环境干扰；毫米波雷达造价便宜，稳定性好，且能在各种环境中，不同天气下工作。但是其分辨率较低，目标分类能力差，难以获得目标大小和完整轮廓；摄像头造价也不昂贵，获得的图像信息丰富，目前深度学习的流行，用摄像头作目标检测效果也越来越好。但摄像头易受光线影响，距离估算不准。单一传感器的优劣势决定了单传感器做自动驾驶方案检测准确度低，鲁棒性不高，不同传感器的优势互补成为了感知技术要做的事情。

不同传感器之间的融合是当下研究的热点和趋势，着重解决单传感器信息不丰富，稳定性不高的问题，毫米波雷达和视觉融合成为国内外车辆检测领域研究的重心。现有技术中提出过一种基于车载毫米波雷达和前视相机的目标跟踪算法，弥补了单个传感器漏检、误检的情况，利用冗余信息的增加提高了车辆的行车安全性。但现有方法都只利用了毫米波雷达的目标坐标与视觉目标中心坐标匹配，在实际匹配中会出现错误匹配，匹配精度低的问题。

发明内容

本发明针对现有技术中存在的准确度不高，鲁棒性不强的问题，提供一种基于毫米波雷达与视觉的道路目标检测与关联方法，以期能获取更丰富的目标信息，提高毫米波雷达检测目标与视觉检测目标的关联精度，从而解决单传感器感知的检测效果差，鲁棒性不高的问题。

为实现上述目的，本发明提供的技术方案如下：

本发明一种基于毫米波雷达与视觉的道路目标检测与关联方法的特点在于，包括以下步骤：

A、在车头处安装毫米波雷达，以毫米波雷达为原点O，以车辆正前方为X轴，以驾驶员左侧方向为Y轴，以车辆正上方为Z轴，建立O-XYZ坐标系，且O-XY平面与地面平行，在车顶安装相机，其安装高度为Z_v，所述相机的镜头垂直于O-XZ平面，且水平于O-YZ平面；

B、利用张正友标定法对相机的内参进行标定，得到内参矩阵M₁，并通过测量得到相机与雷达之间的外参矩阵M₂；

C、改进YOLOv3网络并进行网络训练：

C1、利用相机采集道路目标图片，并对图片中每个视觉目标进行类别和位置信息框的标注，从而构建训练集；

C2、构建改进的YOLOv3网络，包括：主体网络和三个特征预测层；

所述主体网络包括依次相连的a个层卷积层，第一注意力模块，b个卷积层，第二注意力模块，e个层卷积层，第三注意力模块；

每个注意力模块均包括并联连接的沿通道方向的全局最大池化层和全局平均池化层，再一起连接一个卷积层和sigmoid激活函数；

每个特征预测层均包括依次相连f个卷积层；且所述主体网络的三个注意力模块分别连接三个特征预测层；