Resumen

La detección de vehículos es una tarea crucial para la conducción autónoma y exige una alta precisión y velocidad en tiempo real. Teniendo en cuenta que el tamaño actual del modelo de detección de objetos de aprendizaje profundo es demasiado grande para ser desplegado en el vehículo, este trabajo introduce la red ligera para modificar la capa de extracción de características de YOLOv3 y mejorar la estructura de convolución restante, y la red YOLO ligera mejorada reduce el número de parámetros de red a una cuarta parte. A continuación, se detecta la matrícula para calcular la anchura real del vehículo y se estima la distancia entre los vehículos mediante la anchura. Este trabajo propone un método de fusión de detección y alcance basado en dos cámaras de diferente distancia focal para resolver el problema de la dificultad de detección y la baja precisión causadas por una matrícula pequeña cuando la distancia es grande. Los resultados experimentales muestran que la precisión y la recuperación medias de Lightweight YOLO entrenado en el conjunto de datos autoconstruido son un 4,43 y 3,54% inferiores a YOLOv3, respectivamente, pero la velocidad de cálculo de la red disminuye 49 ms por fotograma. Los experimentos en carretera en diferentes escenarios también demuestran que el método de fusión de cámaras de distancia focal larga y corta mejora notablemente la precisión y la estabilidad de la medición. El error medio de los resultados de la medición es inferior al 4%, y el rango de medición estable puede alcanzar los 100 m. El método propuesto puede realizar la detección de vehículos y la medición de distancias en tiempo real en la plataforma integrada a bordo Jetson Xavier, lo que satisface los requisitos de la percepción automática del entorno de conducción.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:percepción automática del entorno de conducción, cámaras de distinta distancia focal, tamaño del modelo de detección de objetos, fusión de cámaras de corta distancia focal, red ligera yolo, anchura real del vehículo, capa de extracción de características, plataforma jetson xavier, matrícula pequeña, detección temporal de vehículos
• Keywords:automatic driving environment perception, different focal length cameras, object detection model size, short focal length camera fusion, lightweight yolo network, actual vehicle width, feature extraction layer, platform jetson xavier, small license plate, time vehicle detection