改进Fast-RCNN的双目视觉车辆检测方法

摘要：

针对不同空间尺度的车辆表现出显著不同的特征导致检测算法效率低、准确性差且单目难以准确获取车辆距离信息的问题,提出了一种改进Fast-RCNN的汽车目标检测法,利用双目视觉对车辆进行测距.首先利用双目立体相机采集前方图像并进行预处理,加载深度神经网络Fast-RCNN的训练数据,再针对汽车不同空间尺度引入多个内置的子网络,将来自所有子网络的输出自适应组合对车辆进行检测,然后利用SURF特征匹配算法进行左右图像的立体匹配,根据匹配数据进行三维重建并确定车辆质心坐标,从而测量出车辆与双目相机之间的距离.实验结果表明,所述算法可以实现对车辆的快速检测,检测时间比传统的Fast-RCNN缩短了42 ms,并且实现了对5 m范围车辆距离的准确测量,其误差仅为2.4％,精确度高,实时性好.

关键词：机器视觉、车辆检测、深度学习、双目视觉、立体匹配、距离测量

所属期刊栏目：39

分类号：TN206;TP391.4(光电子技术、激光技术)

资助基金：国家自然科学基金51475387;四川省科技支撑项目2016GZ0026,2017HH0102,2017GZ0164,2018GZ0388

在线出版日期：2019-01-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：832-838