基于改进YOLOv3和立体视觉的园区障碍物检测方法

摘要：

为了解决无人驾驶障碍物检测在园区场景中准确率低、实时性不足等问题,提出一种基于改进YOLOv3 (You Only Look Once)和立体视觉的障碍物检测方法:YOLOv3-CAMPUS;通过改进特征提取网络Darknet一53的结构减少前向推断时间,进而提升模型检测速度,通过增加特征融合尺度提升检测精度和目标定位能力;通过引入GIOU (Generalized Intersection o-ver Union)改进目标定位损失函数,通过改进k-means算法降低初始聚类点造成的聚类偏差,进而提高模型检测精度;通过立体视觉相机获得预测边界框中心点的深度信息,确定障碍物与无人车的距离;实验结果表明,提出的方法较原模型在园区混合数据集(KITTI+ PennFudanPed)上平均精度提升了4.19％,检测速度提升了5.1 fps;在自建园区数据集(HD-Campus)上平均精度达到98.57％,均能满足实时性要求.

关键词：园区障碍物;YOLOv3;特征提取;GIOU;立体视觉

所属期刊栏目：29

分类号：TP391.41(计算技术、计算机技术)

资助基金：天津市科技计划项目17ZXHLGX00120

在线出版日期：2021-10-13（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：54-60