关键词：智能汽车;;车型识别;;深度学习;;卷积神经网络
摘 要：智能汽车包含智慧和能力两层含义,所谓智慧是指汽车能够像人一样智能地感知、判断、推理、决断和记忆;能力是指智能汽车能够确保“智慧”的有效执行。自动驾驶是智慧和能力的有机结合,二者相辅相成,缺一不可。自动驾驶技术一般包括环境感知、决策规划和车辆控制三大部分,环境感知作为实现自动驾驶第一环节,处于智能驾驶车辆与外界环境信息交互的关键位置。随着计算机视觉技术的发展,越来越多的学者基于视频图像对车型识别进行研究。考虑到智能车辆在行驶过程中需要实时性地检测周围的环境信息,并根据检测到的不同类型的障碍物采取不同的控制策略。能否准确及实时地检测出行车周围的各种障碍物是衡量自动驾驶技术的一个重要指标,该指标对于自动驾驶车辆至关重要。因此本文定位于环境感知中实时性的车型识别,针对环境感知中车辆目标检测率低和实时性差的问题进行算法优化并改进。本文主要工作如下:首先,介绍了关于智能汽车国内外研究现状及目前车型识别系统研究现状和存在的难点,从传统视觉识别算法与深度学习识别算法对比出发,分析了常被用于车型识别的传统机器学习算法特点和基于深度学习的车型识别算法流程。其次,基于卷积神经网络设计了一个面向智能汽车的端到端的车型识别算法,并构建了本文使用的车型数据库,在该数据库的基础上对基于传统机器学习的车辆检测算法和基于深度卷积神经网络的车辆检测算法进行了实验对比分析,本文设计的车辆检测算法平均准确率比传统机器学习算法高出八个百分点。然后,介绍了卷积神经网络模型压缩与加速的算法,针对卷积神经网络特征提取速度慢的问题,使用压缩与加速技术对网络模型进行优化,将轻量级网络架构引入到卷积神经网络的设计之中,该方法既减小了网络模型的物理尺寸,又有效加快了模型的推理速度。最后,本文借助于英伟达公司发布的Drive PX2计算平台在构建的车型数据库上对算法进行了验证分析,相比于传统视觉识别算法,本文设计的车型识别方法取得了理想的效果。本文设计的基于卷积神经网络的车型检测算法,充分考虑了网络中不同层次的特征信息,在保证了实时性的前提下有效降低了车辆目标的漏检率,为基于深度学习的目标识别算法在自动驾驶领域的应用奠定了理论基础。
内 容：原文可通过湖北省科技信息共享服务平台（http://www.hbstl.org.cn)获取