基于深度学习的智能车辆辅助驾驶系统设计
邹鹏1，谌雨章1*，蔡必汉1
（1.湖北大学 计算机与信息工程学院，湖北 武汉 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：为帮助驾驶员在夜间行车时确认前方路况，设计出以保证自己及他人出行安全的车载夜视辅助驾驶系统。通过构建深度学习神经网络算法，将经预处理得到的车辆周围图像作为神经网络的输入数据，经过已逐层训练与调参得到的离线网络运算后，从实时图像数据中提取出障碍物的特征信息与运动情况。根据驾驶车辆上采集设备对行车轨迹环境的探测反馈，正确识别车辆所处的环境状态，进而对驾驶员进行提醒，并帮助车辆在面对突如其来的危险时进行正确的行驶决策，避免事故的发生。
关键词：夜视；辅助驾驶；深度学习；运动变化；行驶决策 中图分类号：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
随着人民生活水平的快速发展，汽车已经成为我们出行的主要方式。然而随之而来的是交通事故发生率的逐年增加。高级驾驶辅助系统是指通过在车上安装一些辅助设备收集周围环境信息，进行分析处理，用以帮助驾驶员进行决策、控制汽车减速刹车或者启动安全气囊等行为的一套完整装置[1],从而增加驾驶的安全性，降低危险的发生率。
2 系统设计
|
图 1 系统结构框图 |
本系统主要是对高级车载辅助驾驶(ADAS)中的障碍物检测系统进行研究。 在分析对比了当前主流的行人检测方法之后，选用基于聚合通道特征(ACF) 和AdaBoost学习分类器来实现障碍物检测，并使用深度学习作为工具对障碍物运动状态轨迹进行预判。本文在基于原始的ACF方法的扫窗口框架的基础上进行了改进，提高了检测和预判速度，并结合车载红外夜视技术，将不可见目标辐射转变成为可见的目标光电图像并进行预判运算，以适应于不同环境下车载上的障碍物检测实时性的要求。
本智能车辆辅助驾驶系统包括图像采集模块，用于采集车辆周围影像信息；障碍物特征提取与计算模块，用于判断行车轨迹中是否存在障碍物，并将被认定为障碍物的物体运动特征提取并进行相关计算；预警模块，用于实时监测图像动态，当判定障碍物运动轨迹会与行车轨迹冲突时时进行提示并作出预警措施；图像显示模块，用于显示处理后的图像及预判结果用作对驾驶员提醒，并对影响进行保存备份,系统结构如图1所示。
3 技术路线
3.1动态障碍物检测与分类方法
车前障碍物检测与分类系统中，图像采集装置可采用车辆内的行车记录仪等处，实时获取车辆行驶前方道路视频图像。中央处理模块(可以采用微型电脑)对图像进行障碍物检测和分类。障碍物检测可以采用卡尔曼滤波算法实现，然后对检测到的障碍物进行特征提取。提取目标图像的对称性、边缘直线水平度和长宽比等特征，建立贝叶斯网络对障碍物进行分类，分类结果通过语音进行提示。
通过贝叶斯网络提取障碍物的三个特征进行分类，分别是障碍物的对称性、边缘直线水平度和目标长宽比。通过大量样本图像的特征值提取，可以得到图像的特征值分布;计算图像的特征值高斯概率分布，得到样本特征属性的先验概率，作为贝叶斯分类器的输入。然后对待测样本图像进行贝叶斯分类计算，得到测试图像类型概率，概率最大的对应类即是待测样本的类别。本项目采用最小误差概率的朴素贝叶斯进行分类[3]，能够有效地将障碍物信息进行分类，错误率较低。所提取得到障碍物的对称性、边缘直线水平度和障碍物的长宽比。可以有效地将行人、机动车及汽车进行分类。
3.2 深度学习训练过程
在深度学习算法中，数据预处理扮演了很重要的角色。在实际运用当中，为提高算法的精确度，常常将数据进行正则化和白化。为了提高无监督特征学习的速度，通过采用主成分分析法(Principal Component Analysis，PCA)和白化(whitening) 操作来对数据进行降维[4]，从而达到对数据的预处理效果。
PCA算法是一种能够极大提升无监督特征学习速度的数据降维算法。由于图像中相邻的像素相关度高，意味着输入数据中存在着较多冗余信息。利用PCA算法可以在将输入向量转换为一个维数低很多的近似向量，并保证误差相对较小。在训练自动编码器等无监督特征学习的神经网络算法时，算法运行的时间取决于输入数据的维数。用经预处理后得到的低维数据取代原始数据作为输入数据，将可以显著加快运行速度，提高学习效率。
4 总结
本系统针对当前辅助驾驶领域的需求情况，结合当下现有的行车记录设备进行大量数据采集的优势与深度学习算法无监督特征提取的特点[5]，尝试将深度学习算法运用在车辆碰撞躲避策略中。通过对算法处理得到的大量数据进行分析与计算，提取出车辆周围的障碍物信特征息的运动情况，并找到当前车辆周围障碍物类别及运动情况下最优化的车辆应急决策，将有助于人们驾驶车碰撞躲避策略中的行驶决策，避免交通事故的发生。
综上，本项目是从硬件和软件同时入手，从硬件方面缩减体积功耗，从图像处理方面改进探测能力，从算法模型方面增强适用性，从深度学习增加准确性，在减小成像探测系统的体积功耗的基础上，探测效果和分辨率不下降甚至得到提升，从而为便携高效式夜视辅助驾驶及行车记录探测提供解决方案，并研究如何将便携式探测系统应用于各种辅助驾驶系统。
参考文献
[1] 刘志辉. 基于车载辅助驾驶平台的快速行人检测技术及其应用[D]. 2016.
[2] 何春燕. 基于卷积神经网络的车行环境多类障碍物检测与识别[D].
[3] 韩飞龙, 应捷, 朱丹丹. 一种新的车辆辅助驾驶动态障碍物检测与分类方法[J]. 计算机应用研究, 2017(6).
[4] 董彦芳, 庞勇, 许丽娜, et al. 高光谱遥感影像与机载LiDAR数据融合的地物提取方法研究[J]. 遥感信息, 2014(6):73-76.
[5] 陈惠珍. 基于深度学习的无人车避障策略研究[D]. 2016.