車載汽車安全系統通過檢測駕駛員盲區中是否存在相鄰車輛，并警告駕駛員可能發生的事故來防止發生車禍。駕駛員可以使用此信息來安全地變道。在本文中，我們將討論盲區檢測技術。
圖 1：盲區
技術對比
轉向輔助系統監控車輛附近駕駛員難以看到或無法看到的區域，并在必要時做出適當的反應。大多數轉向輔助系統都會使用攝像頭、雷達或超聲波。
攝像頭：具有攝像頭的轉向輔助系統通過數碼攝像頭來跟蹤車輛周圍的關鍵區域。駕駛員可以通過駕駛室內的監視器查看圖像。這些系統通過算法來對騎車人、行人和其他物體進行分類。然而，這種分類需要進行大量的計算。攝像頭系統的一個主要缺點是，在惡劣天氣和異常照明條件下，其功能會受到影響。
超聲波：使用超聲波的轉向輔助系統非常適合確定與物體的距離。該技術會測量系統發出聲波經反射后的返回時間。然而，超聲波轉向輔助系統無法確定方向或速度，也無法準確地對檢測到的物體進行分類。超聲波傳感器在夜間的工作效率很高，但與攝像頭一樣，容易受到雨、雪和污垢的干擾。
雷達：雷達轉向輔助系統可以監測車輛側面或后方區域中的物體。與超聲波系統一樣，雷達系統所發出的信號會被其監測范圍內的物體反射回來。此外，他們還可以利用所謂的多普勒效應。因此，雷達可以準確測量距離和速度。與攝像頭和超聲波系統不同，雷達技術不受天氣和照明條件等環境因素的影響。當通過算法增強時，這些系統可以對檢測到的物體進行分類。
因此，這三種技術在性能方面有所不同。攝像頭系統在物體分類和分辨率方面更勝一籌。更高的分辨率可以創建畫質非凡的清晰圖像。雷達系統在測距和測速時具有明顯優勢，并且與攝像頭系統和超聲波系統相比，更能適應各種環境條件。
表1：對比圖表
開發基于雷達和攝像頭的智能汽車盲區檢測系統
神經網絡通過結合雷達和攝像頭的數據來檢測物體。神經網絡基于RetinaNet ，同時使用VGG骨干網，可輸出邊界框坐標的二維回歸結果和分類分數。術語“骨干網”是指將輸入數據合成為特定特征表示的特征提取網絡。VGG在圖像分類和物體檢測方面非常有效。
神經網絡可在焦點損失的情況下進行訓練，基線方法會在第一個卷積層期間使用VGG特征提取器。經過專門設計，神經網絡可以自行學習雷達和攝像頭數據融合的最佳深度水平。圖2顯示了神經網絡的高級結構。
圖2：雷達和攝像頭的結構
準備數據集和訓練
本節介紹數據集的預處理和訓練
雷達和nuScenes數據集預處理
雷達傳感器分析方位角和雷達截面（RCS）等數據，以輸出具有相關特性的二維點云。數據從二維地平面轉換為垂直圖像平面，并作為像素值存儲在增強圖像中。輸入攝像頭圖像具有三個通道（紅、綠、藍），可與雷達通道相結合，構成神經網絡的輸入信號。來自三個雷達的點云被連接起來，并用作投影雷達輸入。不同數據集的攝像頭視場（FOV）也不盡相同，使用校準方法來將世界坐標映射到圖像坐標中。由于雷達需要提供有關探測高度的信息，因此融合數據的難度就更大了。假設檢測從地平面開始，并垂直擴展以考慮物體的高度。檢測汽車、卡車、摩托車、自行車和行人等交通對象，并假設高度延伸為3米，然后將攝像頭像素與雷達數據相關聯。雷達數據被映射到像素寬度為1的圖像平面中。
表2顯示了nuScenes數據集 被精簡為用于檢測評估的23個原始對象類。地面實況過濾器可能會，也可能不會被用于評估nuScenes結果。
訓練
將nuScenes的原始數據拆分為60:20:20，以平衡訓練集、驗證集和測試集中的白天、雨天和夜晚場景的數量。NuScenes圖像的輸入尺寸為360 x 640像素。平均精度可以根據數據集中出現的對象類加權計算得出。Imagenet數據集 用于預訓練VGG 特征提取器的權重。在預處理過程中，攝像頭圖像通道進行了縮放，但雷達通道未進行縮放。數據擴增是為了增加數量相對較少的已標記數據。
表2：nuScene數據集各類對象
e絡盟與許多不同的供應商合作，提供各種工業傳感器 和傳感器連接器 、組件、產品和解決方案組合，例如雷達、攝像頭和超聲波傳感器。e絡盟可為設計執行、開發和項目提供支持。
結語
盲區安全輔助系統可在駕駛過程中提醒駕駛員注意盲區中的各種潛在危險。該技術可降低事故風險，有助于提高駕駛者安全。該系統使用攝像頭、超聲波或雷達傳感器來檢測駕駛員盲區內的障礙物或其他車輛。報警信號會立即以獨特的聲音或燈光通知駕駛員。這三種技術各有優勢。攝像頭系統在物體分類和分辨率方面更勝一籌。在這三種技術中，雷達系統在測距和測速時具有明顯優勢，并且與攝像頭系統和超聲波系統相比，更能適應各種環境條件。
更多精彩內容歡迎點擊==>>電子技術應用-AET<<
