基于改進(jìn)的YOLOV5算法對(duì)ADB汽車大燈的外界環(huán)境檢測(cè)

黃 禹，戴國(guó)洪，戴 杰，錢 駿

(1.常州大學(xué) 機(jī)械與軌道交通學(xué)院，江蘇 常州 213164；2.常州星宇車燈有限公司，江蘇 常州 213002)

0 引言

汽車已成為當(dāng)今社會(huì)出行必備的交通工具，為人們生活提供了便利。但隨著汽車的普及，因汽車所引起的交通事故呈增長(zhǎng)態(tài)勢(shì)[1-3]，其中三分之一的交通事故，主要集中在夜間。夜間行車時(shí)，駕駛員因受行車外界環(huán)境的影響，不能及時(shí)調(diào)節(jié)自身燈光，導(dǎo)致行車視線迷糊，容易發(fā)生交通事故[4]。汽車大燈系統(tǒng)對(duì)保障駕駛員夜間行車安全至關(guān)重要。目前，ADB汽車大燈系統(tǒng)可滿足汽車夜間行駛的需求，該系統(tǒng)可按照外界環(huán)境(自車行駛情況、道路車輛情況、路況情況)自適應(yīng)調(diào)節(jié)遠(yuǎn)光光型，增大駕駛員視野照明[5]，滿足駕駛員夜間行駛的照明需要，提高汽車行駛安全性。因此研究ADB汽車大燈的外界環(huán)境檢測(cè)方法，對(duì)汽車夜間安全行駛具有深遠(yuǎn)的意義。但是以往ADB汽車大燈的外界環(huán)境檢測(cè)方法非常局限。

目前，國(guó)內(nèi)外研究者就深度學(xué)習(xí)技術(shù)在多目標(biāo)的檢測(cè)算法大致分為兩類：基于區(qū)域建議的檢測(cè)算法和基于邊框回歸的檢測(cè)算法。基于規(guī)定區(qū)域的目標(biāo)檢測(cè)算法簡(jiǎn)稱兩階段算法，主要是指通過(guò)篩選選框判斷候選框里的是否含有檢測(cè)目標(biāo)(Region Proposal)，用回歸的方式進(jìn)行調(diào)節(jié)結(jié)合卷積神經(jīng)網(wǎng)絡(luò)(R-CNN)系列算法；基于回歸的目標(biāo)檢測(cè)算法亦稱為單階段算法，主要包含 YOLO(You Only Look Once)系列和單點(diǎn)多盒檢測(cè) (SSD)和其他算法相比本文采用YOLO算法和其他算法相比提取候選框的速度要更快，精度更高。就目前現(xiàn)有的大量的外界環(huán)境檢測(cè)大都是在白天或是比較理想的條件下進(jìn)行的，在夜間或是特殊環(huán)境下比如雨雪天氣，車內(nèi)儀器或設(shè)備可能會(huì)發(fā)生失靈或傳感器靈敏度有所下降，進(jìn)而導(dǎo)致發(fā)生事故以及帶來(lái)安全隱患較高，缺乏針對(duì)復(fù)雜環(huán)境下特征不明顯的低辨識(shí)目標(biāo)檢測(cè)算法研究。采取多特征對(duì)目標(biāo)進(jìn)行檢測(cè)就較為復(fù)雜，故需要對(duì)圖像加以篩選和處理。鄒偉[6]等人研究多模態(tài)特征融合的檢測(cè)方法，就是基于區(qū)域建議的檢測(cè)算法，利用該方法提取多模態(tài)圖像特征并進(jìn)行融合，完成ADB汽車大燈的外界環(huán)境檢測(cè)。由于該方法的特征提取過(guò)程過(guò)于復(fù)雜，導(dǎo)致ADB汽車大燈的外界環(huán)境檢測(cè)效率不高。王旭[7]等人研究改進(jìn)視覺(jué)背景提取算法的檢測(cè)方法，該方法就是基于邊框回歸的檢測(cè)算法，依據(jù)采集的圖像信息，構(gòu)建樣本集，提取特征信息后，對(duì)比圖像中像素點(diǎn)閾值，完成ADB汽車大燈的外界環(huán)境檢測(cè)。由于該方法在采集信息基礎(chǔ)階段容易受到噪聲干擾，導(dǎo)致采集信息會(huì)出現(xiàn)偏差，直接導(dǎo)致ADB汽車大燈的外界環(huán)境檢測(cè)結(jié)果不夠精準(zhǔn)。

機(jī)器視覺(jué)技術(shù)是指利用機(jī)器代替人眼來(lái)實(shí)現(xiàn)目標(biāo)檢測(cè)，該技術(shù)被廣泛應(yīng)用在視覺(jué)檢測(cè)領(lǐng)域，能夠提高生產(chǎn)的靈活性和自動(dòng)化程度，提高目標(biāo)檢測(cè)精度和速度。深度學(xué)習(xí)是模擬人腦思維方式分析問(wèn)題，分析能力比較強(qiáng)，已廣泛應(yīng)用在圖像識(shí)別方面，并取得較好應(yīng)用效果。鑒于機(jī)器視覺(jué)技術(shù)和深度學(xué)習(xí)的應(yīng)用性，以及目前ADB汽車大燈的外界環(huán)境檢測(cè)方法存在局限性，研究基于機(jī)器視覺(jué)及深度學(xué)習(xí)的ADB汽車大燈的外界環(huán)境檢測(cè)，提高ADB汽車大燈的外界環(huán)境檢測(cè)能力，降低夜間駕駛危險(xiǎn)。

1 ADB汽車大燈的外界環(huán)境檢測(cè)

1.1 ADB系統(tǒng)結(jié)構(gòu)

ADB系統(tǒng)是一種能夠根據(jù)路況自適應(yīng)變換遠(yuǎn)光光型的智能遠(yuǎn)光控制系統(tǒng)。該系統(tǒng)功能強(qiáng)大，可自由切換遠(yuǎn)近光燈和光型。

分析圖1可知，ADB系統(tǒng)主要包括控制器、傳感器及驅(qū)動(dòng)器等。其中，利用車載機(jī)器視覺(jué)的CCD相機(jī)采集ADB汽車大燈外界環(huán)境圖像數(shù)據(jù)，本文選取松下lx5 CCD相機(jī)鏡頭選取徠卡 DC VARIO-SUMMICRON，這種組合方式能夠提供很好的圖像質(zhì)量，有效降低圖像噪聲的影響。同時(shí)在ADB控制器內(nèi)利用數(shù)據(jù)篩選方法剔除采集到的圖像數(shù)據(jù)中干擾光源數(shù)據(jù)，針對(duì)ADB汽車大燈外界環(huán)境中路況特征差異，劃定ADB汽車大燈外界環(huán)境檢測(cè)目標(biāo)區(qū)域。利用深度學(xué)習(xí)算法實(shí)現(xiàn)ADB汽車大燈外界環(huán)境目標(biāo)車燈光源檢測(cè)，利用擴(kuò)展卡爾曼對(duì)各目標(biāo)車燈光源實(shí)施軌跡預(yù)測(cè)，當(dāng)車輛前面有車燈經(jīng)過(guò)時(shí)，下達(dá)控制指令至執(zhí)行設(shè)備，系統(tǒng)會(huì)及時(shí)調(diào)整汽車遠(yuǎn)光燈對(duì)應(yīng)區(qū)域燈珠亮度，減少在高速行駛時(shí)因遠(yuǎn)光燈交匯對(duì)汽車駕駛員的視覺(jué)影響，保障汽車安全行駛。

圖1 ADB系統(tǒng)結(jié)構(gòu)

1.2 機(jī)器視覺(jué)采集ADB汽車大燈外界環(huán)境圖像數(shù)據(jù)

采用機(jī)器視覺(jué)的CCD相機(jī)采集ADB汽車大燈外界環(huán)境圖像數(shù)據(jù)，為ADB汽車大燈的外界環(huán)境檢測(cè)奠定基礎(chǔ)。在采集圖像數(shù)據(jù)之前，需要對(duì)機(jī)器視覺(jué)的CCD相機(jī)參數(shù)進(jìn)行標(biāo)定后[8-10]，轉(zhuǎn)換相機(jī)坐標(biāo)值，提高采集ADB汽車大燈外界環(huán)境圖像數(shù)據(jù)精準(zhǔn)度。

(1)

其中：平移向量用ε描述，尺度因子用s描述，相機(jī)內(nèi)參數(shù)矩陣和外部旋轉(zhuǎn)矩陣分別用D、O描述。

相機(jī)內(nèi)參數(shù)矩陣表達(dá)式如下：

(2)

其中：橫向等效焦距用λ1描述，圖像坐標(biāo)系偏斜度用γ描述，豎向等效焦距用λ2描述，相機(jī)標(biāo)定的主點(diǎn)坐標(biāo)用(u0，v0)描述。

通過(guò)計(jì)算出相機(jī)內(nèi)參數(shù)矩陣后，實(shí)現(xiàn)CCD相機(jī)精準(zhǔn)標(biāo)定。

轉(zhuǎn)換相機(jī)坐標(biāo)值過(guò)程如下：

在CCD相機(jī)精準(zhǔn)標(biāo)定后，需利用公式(3)將ADB汽車大燈外界環(huán)境中三維空間內(nèi)的一點(diǎn)轉(zhuǎn)換成投影圖像平面內(nèi)的一點(diǎn)，具體轉(zhuǎn)換公式為：

(3)

其中：相機(jī)外參數(shù)矩陣用D1描述，相機(jī)內(nèi)部參數(shù)分別用dx、dy、u0、t描述。

在完成相機(jī)標(biāo)定和坐標(biāo)值轉(zhuǎn)換后，提高機(jī)器視覺(jué)的CCD相機(jī)采集ADB汽車大燈外界環(huán)境圖像數(shù)據(jù)準(zhǔn)確性。

1.3 干擾光源數(shù)據(jù)篩選

因夜間干擾光源因素的影響可能會(huì)對(duì)機(jī)器視覺(jué)的CCD相機(jī)采集ADB汽車大燈外界環(huán)境圖像數(shù)據(jù)產(chǎn)生干擾[11-13]，利用數(shù)據(jù)篩選方法剔除ADB汽車大燈外界環(huán)境圖像數(shù)據(jù)中的干擾光源數(shù)據(jù)。

夜間道路正常行駛時(shí)，車燈軌跡與車輛一致均分布在行駛車道內(nèi)，為此通過(guò)數(shù)據(jù)篩選方法中的牛頓-拉夫遜迭代法實(shí)現(xiàn)ADB汽車大燈外界環(huán)境中車道線的擬合，求出車道線在外界環(huán)境圖像中任意位置坐標(biāo)。將采集圖像中任意1條車道分成n份，本道第i段車道區(qū)域左右兩側(cè)車道線像素集分別用φi(xi，yi)、φj(xj，yj)描述，兩個(gè)像素集待擬合直線方程組如下：

(4)

其中：內(nèi)外車道擬合斜率分別用ki，g、ki，h描述，參數(shù)分別用h1、h2描述。

(5)

(6)

(7)

(8)

其中：元素?cái)?shù)量為κ個(gè)。

按照各車道線擬合公式，可剔除目標(biāo)車燈燈源不在同一車道的光源數(shù)據(jù)。

1.4 劃定外界環(huán)境檢測(cè)目標(biāo)車燈區(qū)域

在剔除圖像干擾數(shù)據(jù)后，針對(duì)ADB汽車大燈外界環(huán)境中路況特征差異[14-15]，劃定ADB汽車大燈外界環(huán)境檢測(cè)目標(biāo)區(qū)域，以降低因車燈交匯粘連帶來(lái)檢測(cè)誤差。

車道彎曲度公式如下：

(9)

1.4.1 直道行駛路況

ADB汽車大燈外界環(huán)境檢測(cè)目標(biāo)車燈區(qū)域的劃定。當(dāng)前車道為直道時(shí)即-dsh<φ

Δρ≈Δy

(10)

依據(jù)內(nèi)外車道擬合斜率ki，g、ki，h和y軸內(nèi)移動(dòng)位移Δy得出直道行駛路況ADB汽車大燈外界環(huán)境檢測(cè)目標(biāo)區(qū)域的劃定公式：

(11)

1.4.2 彎道行駛路況

ADB汽車大燈外界環(huán)境檢測(cè)目標(biāo)車燈區(qū)域的劃定。

當(dāng)φ>dsh或-dsh>φ時(shí)，說(shuō)明此時(shí)行駛路況是彎道。因彎道擬合斜率高于直道彎道擬合斜率，因此需按照彎道的路況特征，將橫軸移動(dòng)位移變化量作為彎道ADB汽車大燈外界環(huán)境檢測(cè)目標(biāo)車燈區(qū)域劃定條件。目標(biāo)車燈光源位置橫軸坐標(biāo)，將落在相同時(shí)間里車道線擬合直線斜率大的一邊車道線橫軸移動(dòng)位移變化量區(qū)間內(nèi)[16-18]。彎道行駛路況ADB汽車大燈外界環(huán)境檢測(cè)目標(biāo)車燈區(qū)域的劃定公式如下：

(12)

其中：當(dāng)前車道為彎道時(shí)，t-1時(shí)刻目標(biāo)燈源的位置坐標(biāo)用描述(xt -1，yt-1)，t-1時(shí)刻y軸內(nèi)移動(dòng)位移用Δyt-1描述。

直道和彎道行駛路況ADB汽車大燈外界環(huán)境檢測(cè)目標(biāo)區(qū)域的劃定范圍，可為下文目標(biāo)車燈光源中心位置實(shí)施軌跡預(yù)測(cè)奠定基礎(chǔ)，排除其他光源的干擾[19]，有效降低檢測(cè)誤差。

1.5 深度學(xué)習(xí)的大燈外界環(huán)境目標(biāo)車燈光源軌跡預(yù)測(cè)

在得出不同路況下外界環(huán)境檢測(cè)目標(biāo)車燈區(qū)域后，利用深度學(xué)習(xí)的多目標(biāo)運(yùn)動(dòng)軌跡預(yù)測(cè)算法實(shí)現(xiàn)ADB汽車大燈外界環(huán)境目標(biāo)車燈光源檢測(cè)。該算法分為兩部分，利用YOLOv5網(wǎng)絡(luò)對(duì)外界環(huán)境圖像目標(biāo)車燈光源進(jìn)行定位，得出檢測(cè)框坐標(biāo)。通過(guò)損失函數(shù)中的置信度判斷外界環(huán)境檢測(cè)目標(biāo)車燈光源是否存在于預(yù)測(cè)邊框內(nèi)。將符合條件的外界環(huán)境檢測(cè)目標(biāo)車燈光源歸入一個(gè)集合中，將集合中各目標(biāo)車燈光源視為元素，利用擴(kuò)展卡爾曼對(duì)各元素實(shí)施軌跡預(yù)測(cè)，提高檢測(cè)精度。

在目標(biāo)車燈光源檢測(cè)階段，選取深度學(xué)習(xí)的YOLOv5網(wǎng)絡(luò)，YOLOv5是一種基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法，其最大的特點(diǎn)就是快速而準(zhǔn)確。與傳統(tǒng)的目標(biāo)檢測(cè)算法相比，YOLOv5將整張圖像作為輸入，直接輸出所有目標(biāo)的位置、類別以及置信度，從而大幅提高了檢測(cè)速度和準(zhǔn)確度。YOLOv5網(wǎng)絡(luò)可以在幾乎不影響整個(gè)自動(dòng)駕駛系統(tǒng)流程的情況下完成目標(biāo)車燈光源的檢測(cè)。YOLOv5網(wǎng)絡(luò)還可以通過(guò)改變模型結(jié)構(gòu)和參數(shù)來(lái)適應(yīng)不同的環(huán)境和車輛，從而實(shí)現(xiàn)更加準(zhǔn)確的檢測(cè)結(jié)果。

YOLOv5網(wǎng)絡(luò)模型包括特征融合層、骨干網(wǎng)絡(luò)、視野增強(qiáng)層。卷積核規(guī)模分別為1*1、3*3、7*7，每種規(guī)模卷積核提取特征均不相同[21]。YOLOv5算法是在YOLOv3算法的基礎(chǔ)上加以改進(jìn)，YOLOv5的架構(gòu)由4個(gè)部分組成，分別是Input輸入端、Backbone主干網(wǎng)絡(luò)、Neck頸部網(wǎng)絡(luò)和Head輸出端。

1)Input輸入端包含了對(duì)數(shù)據(jù)的預(yù)處理，其中包括 Mosaic數(shù)據(jù)增強(qiáng)可以對(duì)圖像進(jìn)行隨機(jī)裁剪、拼接。降低計(jì)算量的同時(shí)豐富了數(shù)據(jù)集，提高了識(shí)別精度，而且YOLOv5在 Input的輸入端整合了自適應(yīng)的錨框計(jì)算，使得當(dāng)數(shù)據(jù)組被改變時(shí)，可以自動(dòng)設(shè)置初始的錨框大小，實(shí)現(xiàn)在保證圖片掉幀時(shí)對(duì)圖片進(jìn)行縮小，降低計(jì)算量。

2)Backbone主干網(wǎng)絡(luò)采用深度學(xué)習(xí)方法，采用“瓶頸跨越”局部結(jié)構(gòu) Bottleneck CSP與金字塔池化SPP相結(jié)合的方法，可以讓網(wǎng)絡(luò)輸入任意像素的圖片且不再需要對(duì)圖像進(jìn)行預(yù)處理，以降低計(jì)算量，加快推理速度，而金字塔池化SPP能夠在相同的特征圖譜上，從多個(gè)尺度上同時(shí)抽取特征，提高識(shí)別準(zhǔn)確率。

3)Neck頸部網(wǎng)絡(luò)包括了特征金字塔 FPN、路徑聚合結(jié)構(gòu) PAN，F(xiàn)PN在網(wǎng)絡(luò)中自頂向下傳遞了語(yǔ)義信息。同時(shí)，PAN將位置信息從底部傳輸?shù)巾敳?，并?Backbone中的各個(gè)層次的信息進(jìn)行融合，從而提高了檢測(cè)精度。

4)Head輸出端是對(duì)不同的特征圖進(jìn)行識(shí)別的最終階段，特征圖目標(biāo)。

改進(jìn)YOLOv5算法與YOLOv3算法的性能評(píng)價(jià)指標(biāo)數(shù)據(jù)對(duì)比結(jié)果如表1所示。

表1 改進(jìn)YOLOv5算法與YOLOv3算法的性能對(duì)比

根據(jù)表1可知，改進(jìn)YOLOv5算法與YOLOv3算法相比，其性能有了較大的提升。

改進(jìn)YOLOv5算法與YOLOv3算法的AP值效果對(duì)比如圖2所示。

圖2 AP值效果對(duì)比圖

通過(guò)損失函數(shù)可判斷實(shí)際值和檢測(cè)值的誤差。YOLOv5網(wǎng)絡(luò)的損失函數(shù)表達(dá)式如下：

loss=β1loss中心坐標(biāo)及寬高+β2loss置信度+β3loss分類

(13)

其中：邊界誤差用loss中心坐標(biāo)及寬高描述，分類損失用loss分類描述，誤差損失因子分別用β1、β2、β3描述，總損失度用loss描述，置信度損失用loss置信度描述。

利用反向傳播可實(shí)現(xiàn)網(wǎng)絡(luò)權(quán)重參數(shù)更新，再利用損失函數(shù)迭代出最優(yōu)網(wǎng)絡(luò)模型。神經(jīng)元連接權(quán)重更新公式為：

wi=wi-α(?χ/?wi)

(14)

其中：學(xué)習(xí)率用α描述，第i層神經(jīng)元權(quán)重用wi描述，代價(jià)函數(shù)用χ描述。

偏置更新公式為：

bi=bi-β(?χ/?bi)

(15)

其中：第i層神經(jīng)元權(quán)重用bi描述。

將目標(biāo)車燈區(qū)域劃分后ADB汽車大燈外界環(huán)境圖像輸入至YOLOv5網(wǎng)絡(luò)中，利用卷積層提取圖像特征，通過(guò)圖像檢測(cè)函數(shù)對(duì)該特征實(shí)施檢測(cè)后，將最大概率目標(biāo)車燈光源作為檢測(cè)目標(biāo)，同時(shí)對(duì)外界環(huán)境圖像目標(biāo)車燈光源進(jìn)行定位，得出檢測(cè)框坐標(biāo)，選取置信度值最大的檢測(cè)框，并利用公式(16)計(jì)算出該檢測(cè)框和余下檢測(cè)框重疊比例值，若重疊比例值比閾值高，需要將該檢測(cè)框刪除。

(16)

擴(kuò)展卡爾曼濾波算法作為一種常用的狀態(tài)估計(jì)方法，廣泛應(yīng)用于目標(biāo)車燈坐標(biāo)預(yù)測(cè)問(wèn)題。擴(kuò)展卡爾曼濾波算法是一種基于線性高斯噪聲模型的濾波算法，其可以通過(guò)對(duì)非線性函數(shù)進(jìn)行線性化來(lái)實(shí)現(xiàn)狀態(tài)估計(jì)。在目標(biāo)車燈坐標(biāo)預(yù)測(cè)問(wèn)題中，需要通過(guò)對(duì)車輛周圍環(huán)境的觀測(cè)來(lái)推斷目標(biāo)車輛燈光的位置坐標(biāo)，這個(gè)過(guò)程需要使用到擴(kuò)展卡爾曼濾波算法。與普通的卡爾曼濾波算法相比，擴(kuò)展卡爾曼濾波算法可以更好地處理非線性變換，從而更準(zhǔn)確地估計(jì)目標(biāo)車燈的位置坐標(biāo)。

擴(kuò)展卡爾曼濾波算法預(yù)測(cè)目標(biāo)車燈坐標(biāo)的過(guò)程可以分為兩個(gè)階段：預(yù)測(cè)階段和更新階段。在預(yù)測(cè)階段，需要預(yù)測(cè)目標(biāo)車燈的位置坐標(biāo)，并根據(jù)當(dāng)前的狀態(tài)量來(lái)計(jì)算預(yù)測(cè)誤差。在更新階段，利用觀測(cè)值來(lái)校正預(yù)測(cè)結(jié)果，從而更準(zhǔn)確地預(yù)測(cè)目標(biāo)車燈的位置坐標(biāo)。車燈坐標(biāo)預(yù)測(cè)的具體步驟如下：

在目標(biāo)車燈光源軌跡預(yù)測(cè)階段，將經(jīng)YOLOv5網(wǎng)絡(luò)檢測(cè)后ADB汽車大燈外界環(huán)境多運(yùn)動(dòng)目標(biāo)車燈光源歸入一個(gè)集合中，將集合中各目標(biāo)車燈光源視為元素，該集合中有各元素對(duì)應(yīng)ID可讀取該目標(biāo)車燈光源的速度和位置等相關(guān)數(shù)據(jù)，利用擴(kuò)展卡爾曼對(duì)各元素實(shí)施軌跡預(yù)測(cè)，提高檢測(cè)精度，具體軌跡預(yù)測(cè)公式如下：

Γυ=γυ-1*Ψυ-1+Ξυ-1*Γυ-1

(17)

其中：υ-1狀態(tài)下，系統(tǒng)輸入用Ψυ-1描述、線性化狀態(tài)轉(zhuǎn)移矩陣用Ξυ-1描述、輸入矩陣用γυ-1描述。

為計(jì)算出某時(shí)刻ADB汽車大燈外界環(huán)境運(yùn)動(dòng)目標(biāo)移動(dòng)光源坐標(biāo)和速度，設(shè)置該運(yùn)動(dòng)目標(biāo)移動(dòng)光源狀態(tài)向量用Γυ=[x(υ)，y(υ)，?(υ)，r(υ)，vx(υ)，vy(υ)，v?(υ)]描述，其中目標(biāo)移動(dòng)光源在y軸在位置用y(υ)描述，檢測(cè)框面積用?(υ)描述，目標(biāo)移動(dòng)光源在x軸在位置用x(υ)描述，檢測(cè)框高度與寬度比用r(υ)描述，目標(biāo)移動(dòng)光源在y軸的速度用vy(υ)描述，目標(biāo)移動(dòng)光源在x軸的速度用vx(υ)描述，檢測(cè)速度用v?(υ)描述。表達(dá)式如下：

vx(υ)=[x(υ)-x(υ-1)]/Δt

(18)

vy(υ)=[y(υ)-y(υ-1)]/Δt

(19)

v?(υ)=[?(υ)-?(υ-1)]/Δt

(20)

先驗(yàn)狀態(tài)向量的相關(guān)預(yù)測(cè)方差矩陣公式如下：

(21)

其中：噪聲協(xié)方差矩陣用Y描述。

通過(guò)上述方法實(shí)現(xiàn)外界環(huán)境圖像目標(biāo)車燈光源軌跡預(yù)測(cè)，利用觀測(cè)值來(lái)校正預(yù)測(cè)結(jié)果，輸出下一時(shí)刻外界環(huán)境圖像目標(biāo)移動(dòng)光源位置更新值，實(shí)現(xiàn)ADB汽車大燈外界環(huán)境檢測(cè)。

(22)

在實(shí)際應(yīng)用中，擴(kuò)展卡爾曼濾波算法還需要考慮一些實(shí)際因素，例如傳感器精度、環(huán)境噪聲等因素。針對(duì)這些問(wèn)題，我們可以通過(guò)不斷優(yōu)化算法來(lái)提高預(yù)測(cè)精度，同時(shí)也可以通過(guò)對(duì)傳感器和監(jiān)測(cè)系統(tǒng)進(jìn)行優(yōu)化來(lái)減小誤差。

2 實(shí)驗(yàn)分析

2.1 實(shí)驗(yàn)參數(shù)及實(shí)驗(yàn)步驟

隨著自動(dòng)駕駛技術(shù)的發(fā)展，對(duì)目標(biāo)車燈光源的準(zhǔn)確檢測(cè)成為自動(dòng)駕駛安全性和可靠性的一個(gè)重要保證。本文提出基于機(jī)器視覺(jué)及深度學(xué)習(xí)的ADB汽車大燈的外界環(huán)境檢測(cè)方法，為了驗(yàn)證本文方法的應(yīng)用效果，選取某款汽車作為實(shí)驗(yàn)對(duì)象。實(shí)驗(yàn)對(duì)象配備ADB汽車大燈，ADB汽車大燈帶76顆LED光源，搭配利刃式LED日間行車燈的9顆LED光源，與晶鉆切割的3顆LED星鉆式爪鋒前霧燈，一起提升了車輛的檔次感。實(shí)驗(yàn)參數(shù)如表2所示。

表2 實(shí)驗(yàn)參數(shù)

設(shè)置YOLOv5網(wǎng)絡(luò)模型的超參數(shù)如下：總訓(xùn)練輪次為200輪，初始學(xué)習(xí)率為0.01，學(xué)習(xí)率因子為0.2，動(dòng)量為0.937。

選取采用本文方法采集的多組夜間直道和彎道移動(dòng)光源數(shù)據(jù)集，從數(shù)據(jù)集中選出2張夜間行車圖像，將圖中標(biāo)定的直道和彎道的目標(biāo)車燈作為軌跡預(yù)測(cè)的實(shí)驗(yàn)對(duì)象，標(biāo)定結(jié)果如圖3所示。

在上述實(shí)驗(yàn)參數(shù)設(shè)置的基礎(chǔ)上，設(shè)計(jì)ADB汽車大燈的外界環(huán)境檢測(cè)試驗(yàn)方法，步驟如下：

1)數(shù)據(jù)采集與預(yù)處理：在實(shí)驗(yàn)開始前，需要使用高精度的攝像頭和激光雷達(dá)等傳感器設(shè)備對(duì)汽車周圍的環(huán)境數(shù)據(jù)進(jìn)行采集。采集到的數(shù)據(jù)需要通過(guò)預(yù)處理算法進(jìn)行降噪處理、去畸變等操作，以保證數(shù)據(jù)的質(zhì)量和準(zhǔn)確性。

2)數(shù)據(jù)標(biāo)注：在數(shù)據(jù)采集完成后，需要為圖像數(shù)據(jù)標(biāo)注各種不同情況下的照明區(qū)域，以生成一個(gè)具有代表性的訓(xùn)練數(shù)據(jù)集。

3)模型訓(xùn)練與優(yōu)化：在標(biāo)注完數(shù)據(jù)并制定了檢測(cè)算法后，需要對(duì)模型進(jìn)行訓(xùn)練和優(yōu)化，將訓(xùn)練數(shù)據(jù)集輸入YOLOv5網(wǎng)絡(luò)模型中進(jìn)行迭代訓(xùn)練，以提高模型的準(zhǔn)確性和魯棒性。

4)ADB汽車大燈的外界環(huán)境檢測(cè)：完成模型訓(xùn)練和優(yōu)化后，利用擴(kuò)展卡爾曼濾波算法實(shí)現(xiàn)ADB汽車大燈的外界環(huán)境檢測(cè)。實(shí)驗(yàn)在實(shí)際駕車場(chǎng)景下進(jìn)行，通過(guò)觀察照明區(qū)域的變化來(lái)驗(yàn)證模型對(duì)外界環(huán)境的檢測(cè)能力。

2.2 實(shí)驗(yàn)指標(biāo)設(shè)置

1)直道時(shí)干擾狀態(tài)下目標(biāo)車燈光源檢測(cè)效果：在直道條件下，對(duì)比車燈干擾狀態(tài)及路燈干擾狀態(tài)下目標(biāo)光源位置檢測(cè)結(jié)果與實(shí)際結(jié)果的誤差，驗(yàn)證目標(biāo)車燈光源位置的檢測(cè)準(zhǔn)確性。

2)彎道時(shí)目標(biāo)車燈光源軌跡預(yù)測(cè)結(jié)果：測(cè)試彎道行駛時(shí)，本文方法預(yù)測(cè)獲取的目標(biāo)光源軌跡與實(shí)際值的誤差，驗(yàn)證目標(biāo)光源軌跡的預(yù)測(cè)精度

3)ADB汽車大燈的燈光調(diào)節(jié)：驗(yàn)證所提方法能否判斷出不同路況，能夠?qū)?yīng)調(diào)節(jié)汽車遠(yuǎn)光燈對(duì)應(yīng)區(qū)域燈珠亮度。

2.3 實(shí)驗(yàn)結(jié)果分析

為驗(yàn)證本文方法的外界環(huán)境檢測(cè)效果，統(tǒng)計(jì)該指定目標(biāo)車燈光源，在直道行駛時(shí)處于車燈干擾以及路燈干擾條件下的目標(biāo)車燈光源檢測(cè)結(jié)果，如圖4所示。

圖4 直道時(shí)干擾狀態(tài)下目標(biāo)車燈光源檢測(cè)效果

分析圖4可知，直道行駛時(shí)，在存在車燈干擾條件下，本文方法目標(biāo)光源位置檢測(cè)結(jié)果與實(shí)際結(jié)果誤差最大為2像素*8像素，在存在路燈干擾條件下，本文方法目標(biāo)光源位置檢測(cè)結(jié)果與實(shí)際結(jié)果誤差最大為1像素*1像素。通過(guò)本文方法將誤差控制在10像素*10像素以內(nèi)，達(dá)到實(shí)驗(yàn)預(yù)期目的。上述實(shí)驗(yàn)結(jié)果表明，本文方法在路燈干擾及車燈干擾下的目標(biāo)光源軌跡預(yù)測(cè)精度均較高。本文方法可利用數(shù)據(jù)篩選方法剔除ADB汽車大燈外界環(huán)境圖像數(shù)據(jù)中的干擾光源數(shù)據(jù)，檢測(cè)目標(biāo)車燈光源位置，因此目標(biāo)光源位置檢測(cè)結(jié)果與實(shí)際結(jié)果相差很小。

將模型所需歷史數(shù)據(jù)時(shí)間序列數(shù)N定為30，預(yù)測(cè)時(shí)間步長(zhǎng)為 30 fps/s，在此基礎(chǔ)上，統(tǒng)計(jì)該指定目標(biāo)車燈光源，在彎道行駛時(shí)目標(biāo)車燈光源軌跡預(yù)測(cè)結(jié)果，如圖5所示。

圖5 彎道時(shí)目標(biāo)車燈光源軌跡預(yù)測(cè)結(jié)果

分析圖5可知，彎道行駛時(shí)，本文方法預(yù)測(cè)獲取的目標(biāo)光源軌跡與真實(shí)值誤差最大為15像素*12像素，說(shuō)明本文方法在彎道行駛時(shí)的目標(biāo)光源軌跡預(yù)測(cè)精度較高。本文方法利用深度學(xué)習(xí)中的YOLOv5網(wǎng)絡(luò)模型檢測(cè)外界環(huán)境中的目標(biāo)車燈光源，并結(jié)合擴(kuò)展卡爾曼濾波對(duì)其軌跡進(jìn)行預(yù)測(cè)。通過(guò)對(duì)目標(biāo)車燈的位置坐標(biāo)的預(yù)測(cè)及更新，校正了預(yù)測(cè)結(jié)果，從而獲取更準(zhǔn)確的目標(biāo)車燈光源軌跡預(yù)測(cè)結(jié)果。

可利用數(shù)據(jù)篩選方法剔除ADB汽車大燈外界環(huán)境圖像數(shù)據(jù)中的干擾光源數(shù)據(jù)，檢測(cè)目標(biāo)車燈光源位置，因此目標(biāo)光源位置檢測(cè)結(jié)果與實(shí)際結(jié)果相差很小。

按照上述結(jié)果，采用本文方法可有效預(yù)測(cè)目標(biāo)光源軌跡，完成實(shí)驗(yàn)對(duì)象ADB汽車大燈的外界環(huán)境檢測(cè)，依據(jù)檢測(cè)結(jié)果，在不同路況下，及時(shí)調(diào)節(jié)調(diào)整汽車遠(yuǎn)光燈對(duì)應(yīng)區(qū)域燈珠亮度，ADB汽車大燈的燈光調(diào)節(jié)效果如圖6所示。

圖6 ADB汽車大燈的燈光調(diào)節(jié)效果圖

分析圖6可知，采用本文方法可有效檢測(cè)ADB汽車大燈的外界環(huán)境的情況，針對(duì)不同路況，合理調(diào)整ADB汽車大燈的燈光光型，減少在高速行駛時(shí)因遠(yuǎn)光燈交匯對(duì)汽車駕駛員的視覺(jué)影響，提高照明效果，保障汽車安全行駛。

3 結(jié)束語(yǔ)

為了提高駕駛員夜間行車視野范圍，研究基于機(jī)器視覺(jué)及深度學(xué)習(xí)的ADB汽車大燈的外界環(huán)境檢測(cè)方法，提高ADB汽車大燈的自動(dòng)調(diào)光能力，提高駕駛員夜間行車照明效果。實(shí)驗(yàn)結(jié)果表明，利用機(jī)器視覺(jué)及深度學(xué)習(xí)方法可有效檢測(cè)出ADB汽車大燈的外界環(huán)境，并及時(shí)調(diào)整ADB汽車大燈的亮度，保障夜間行車的安全。