使用两个不同焦距的摄像机进行车辆检测和测距

抽象

车辆检测是自动驾驶的一项重要工作，对车辆检测的准确性和实时性提出了很高的要求。考虑到当前的深度学习对象检测模型尺寸太大了,被部署在车辆,本文介绍了轻量级网络YOLOv3修改特征提取层,提高剩余的卷积结构,和改进的轻量级YOLO网络减少了网络参数的数量意思四分之一。然后通过检测车牌来计算车辆的实际宽度，通过宽度来估计车辆之间的距离。本文提出了一种基于两种不同焦距相机的检测与测距融合方法，解决了在距离较远的情况下，小牌照检测困难、精度低的问题。实验结果表明，在自建数据集上训练的轻量级YOLO的平均精度和查全率分别比YOLOv3低4.43%和3.54%，但网络的计算速度每帧降低49 ms。在不同场景下的道路实验也表明，长焦距和短焦距相机融合测距方法极大地提高了测距的精度和稳定性。测距结果的平均误差小于4%，稳定测距范围可达100米。该方法能够在车载嵌入式平台Jetson Xavier上实现对车辆的实时检测和测距，满足自动驾驶环境感知的要求。

一。介绍

自主驾驶技术不仅方便了驾驶员，而且提高了交通环境的安全性。它通过各种传感器感知周围环境，相当于车辆的眼睛，然后处理这些传感器数据，为驾驶甚至控制车辆提供危险警告[1个]。由此可以看出，高精度和快速的交通目标感测技术是自主驾驶的关键。

目前，用于自主车辆的传感传感器主要有激光雷达、毫米波雷达、超声波雷达、摄像机等[2个–5个]. 激光雷达可以通过发射激光脉冲来扫描和测量，生成精确的道路场景地形图，用于近距离和远距离障碍物检测。但是，激光雷达价格昂贵，不利于大规模推广。毫米波雷达具有价格低廉、应对环境变化能力强的特点，但由于无法识别目标，感知信息不够全面。超声波雷达测量短距离，主要用于自动泊车等场景。与上述几种雷达传感器相比，视觉传感器价格低廉，信息量大。该摄像机能够通过图像算法准确检测车辆、行人、车道线、交通标志等交通目标，并通过测距模型估计相对距离，完成对道路信息的综合感知。此外，一些研究将雷达和视觉等多种传感器结合起来，以提高感知效率[6个,7个]. 考虑到成本，基于摄像头的解决方案是一种选择策略。例如，MobileEye使用单个摄像头来实现自适应巡航控制（ACC）和前向碰撞警告（FCW）[八,9个]。

传统的基于视觉的车辆检测方法可以分为两类:基于外观的方法和基于运动的方法。基于外观的方法使用阴影特征[10]，对称性[11]，颜色[12]，纹理[13]、车头灯/尾灯[14,15探测车辆。此外，一些方法还引入了机器学习分类器来训练外观特征。Liu等人使用经过Haar-like特征训练的AdaBoost分类器来检测车辆[16]. Wei等人。提出了一种结合Haar特征和方向梯度直方图提取车辆位置的支持向量机训练方法[17]。基于运动的方法主要包括光流法[18]以及动力学背景建模方法[19]. 方和戴提出将光流法和卡尔曼滤波相结合，实现车辆检测和跟踪[20.]。

近年来，基于卷积神经网络的深度学习对象检测算法越来越受欢迎。一种是基于区域建议的卷积神经网络，例如R-CNN [21]，SPP网络[22]，以及更快的R-CNN[23，但计算成本相对较高。另一种是基于回归的卷积神经网络，如YOLO [24],SSD [25]，和YOLOv2[26，不断提高计算速度。Sang等人提出了一种改进的YOLOv2来提高检测精度和速度[27]。然而，使用卷积神经网络的实时车辆检测时仍存在精度和速度之间进行权衡。

基于视觉的目标测距方法主要分为两类：立体视觉测距和单目视觉测距。Toulminet等人。提出了一种立体视觉系统来提取前车的三维特征并计算距离[28]. 然而，立体视觉测距对于多摄像机的标定是必要的，存在着匹配困难、计算量大等问题，不适合复杂驾驶环境下的交通目标检测。单目视觉测距相对简单，利用目标检测包围盒来估计距离。基于单目视觉的距离估计方法主要采用摄像机针孔模型或逆透视映射（IMP）。Adamshuk等人。提出了一种基于IPM的HSV彩色地图距离估计方法，该方法利用图像像素点与实际距离之间的线性关系[29]。Han等人提出根据车道线估计的车辆宽度来计算距离，并考虑了没有车道线的情况，但在估计车道线和目标车辆的宽度时存在较大误差[30.]. Mehdi等人。假设道路平坦，利用摄像机的高度和俯仰角估计距离，但该方法不考虑横向距离和摄像机姿态角的影响[31]。上述测距方法具有现实的目标的无长度参考和仅仅依靠摄像头，这是具有挑战性的，以实现高耐用性的成像原理。赵等人。提出来估计基于与一个固定的宽度车牌的距离，但牌照是困难时的距离长精确地检测，并且板小，导致应用程序的一个有限的范围内[32]。

因此，为了解决上述问题，即深度学习目标检测网络是难以将嵌入式平台和车辆测距方法的精度和鲁棒性上部署不稳定所造成的实际长度参考的缺乏，提出了一种车辆和基于轻量级YOLO和长，短焦距的相机融合测距方法车牌检测模型。本文的主要工作如下：（一）提出了轻量级YOLO网络，结合YOLOv3的多尺度预测和轻量级Shufflenet网络，在保证检测精度的前提下，减少了网络模型的参数个数，提高了模型的检测速度。利用广义IoU的损失修正损失函数，提高检测包围盒的回归精度。利用匈牙利匹配算法对视频帧中的车辆位置信息进行匹配，并利用卡尔曼滤波实现对同一车辆的稳定跟踪（二）利用车牌宽度计算车辆宽度，测量自车与履带车辆的相对距离。同时，针对车辆和车牌在远处难以检测的问题，提出了一种基于长、短焦距摄像机捕获匹配车辆的融合测距方法

2。车辆检测与跟踪

2.1条。轻量级YOLO网络

YOLOv3骨干网Draknet53[33]中含有太多的卷积层和网络参数，在特征提取过程中占用了大量的时间，导致网络前向传播速度较慢。

基于YOLOv3的网络设计结构，结合轻量级网络ShuffleNet[34]建立一个轻量级的YOLO目标检测模型。ShuffleNet使用深度可分卷积（DWconv）[35]以减少卷积并引入通道洗牌的计算复杂度，增加的信息跨通道中的流动。相比Darknet53，该网络结构可以映射具有较低的计算复杂度和记忆丧失多个信道特征。

所述的ShuffleNet单元是由两个卷积块。如图1个，卷积块1是一个降采样模块。通过复制输入的功能，并与在同一时间的2步幅执行深度卷积，特征尺寸减小一半和信道的数量加倍。卷积块2种蜜饯浅设有通过分裂和拼接的信道，并确保语义信​​息，该输出特征的尺寸是不变的。同时，信道交换每两个卷积块之间进行的，并且特征通道被布置在交叉，这解决了由信道引起划分信息重复和信息丢失的问题。

轻型YOLO网络的辅助层是基于原有网络上改性，保留了多尺度预测方法和减少卷积层和计算整个网络的复杂性的数量。最后，轻量YOLO网络结构显示在图2个. 骨干网采用Shufflenet结构。通过对深度特征图进行上采样，融合浅层和深层特征。该网络在三种不同尺度下输出预测张量。输入图像大小为 ,和输出尺寸的三个特征张量 , ,和 ,用于检测不同大小的对象。

2.2条。损失函数

我们发现，目标检测模型，如永乐的检测结果非常精确，可以成功地识别物体，但检测盒的边界位置是比较模糊的。该单目视觉测距方法主要依赖于检测包围盒，以及边界模糊的原因的检测盒的测距精度要低，甚至无效的，所以关键是要提高检测边界框的精度。

在训练过程中，卷积神经网络通过损失函数和反向传播不断更新模型参数，降低了模型损失，提高了检测精度。YOLOv3的损失函数由三部分组成：包围盒预测 ,信心的预测 ,以及类别预测 .但是，边界框使用均方误差预测损失，该均方误差仅反映检测框和实际边界框之间的距离属性，而忽略了联合上的交集（IoU），如图所示三. 当两个矩形盒具有相同的L2范数距离时，它们的IoU可能不同。在损失函数中引入IoU预测损失是必要的。

用于IOU的计算公式如下： 在哪里和 ,分别表示检测箱和地面实况框。

然而，当两个盒子在不同的叠加状态，欠条可以是相同的。使用借条作为损失函数有一个相当大的缺点。因此，本文使用的广义IOU [36]作为IoU损失的优化计算方法。公式如下: 在哪里是包含两个和 .当两个矩形不重合，广义的欠条仍然可以形容的相对关系。如图4个，两个矩形在不同的重叠情况下仍然具有相同的IoU值，但右情况下的广义IoU值小于左情况下的广义IoU值。换句话说，广义IoU可以突出显示两个矩形之间的不对中。可以看出，广义IoU解决了IoU不适合作为损失函数的关键问题。

最后，轻量级YOLO使用的损失函数如下：

2.3条。车辆跟踪

车辆跟踪采用基于检测的多目标跟踪方法排序，在[37]。车辆的帧间位移可以看作是与其他车辆和摄像机运动无关的线性等速模型，每辆车的状态可以定义为: 在哪里和表示目标车辆中心点的坐标和分别表示目标车辆检测箱的面积和纵横比。

这种跟踪方法使用匈牙利分配算法[38]基于车辆预测包围盒与当前帧中车辆检测盒之间的IoU，将检测盒与目标车辆关联。当检测盒与目标车辆相关联时，检测到的边界盒用于更新目标车辆状态，其中速度分量通过Kalman滤波器得到最优解[39]. 如果没有检测盒与目标车辆关联，则使用线性模型预测其状态。

如果跟踪器连续两帧与检测框匹配，则算法判断为有效跟踪，并输出检测包围盒和相应的跟踪器ID；如果跟踪器连续三帧与任何检测框不匹配，则确定目标消失，并预测在此期间输出跟踪。跟踪算法的细节可以参考文献[37]。

3.融合测距

现有的车辆测距方法大多依靠摄像机成像原理来估计距离，主要分为两种：一种是基于车辆位置的测距方法[八,29–31]和一个基于车辆宽度[30.,32]。基于位置的测距模型假定道路是平坦的且对噪声敏感。基于所述车辆的宽度的距离测量模型是相对鲁棒的，因为宽度是较少受相机的俯仰角的变化的所述车辆的像素的数量，但宽度是不固定的，并且不能精确地测量车辆。在此基础上，提出了一种长和短焦距照相机融合测距方法，其首先匹配目标车辆和车牌通过长焦距和短焦距的相机检测到，然后通过牌照信息计算所述车辆的宽度，最后计算出使用针孔模型，两台车之间的距离。具体的步骤显示在图5个.

步骤1：捕获前方的道路的图像通过短焦距照相机和检测车辆和车牌，然后跟踪车辆。

步骤2.1：当履带式车辆相对接近，牌照板位置可以精确地检测，并且跟踪车辆的实际车辆宽度可以基于由等式车牌的实际宽度（计算5个）。然后进入第3步。

步骤2.2：当履带式车辆很远，不能精确地检测到的牌照因为像素宽度小。由长焦距照相机捕获当前帧图像并检测车辆和车牌。查找，通过算法的履带车辆相匹配的车辆1个，根据车牌宽度计算实际车辆宽度，公式(5个）。

步骤3:获得车辆的实际行驶宽度后，可由式(6个）。

车辆的实际宽度的计算方法如下： 在哪里和代表车牌的实际宽度和所述车辆的实际宽度，分别。The national standard stipulates that the width of the license plate of China is 440 mm.和分别表示车牌和车辆的像素宽度。

如图所示的相机针孔模型6个，履带车辆与自驾车辆的实际距离计算如下: 在哪里表示相机像素焦距。

两台不同焦距的相机在同一位置拍摄的两幅图像具有相同的中心点位置，但长焦距相机拍摄的图像视场较窄，长焦距与短焦距的视场关系如下： 在哪里和为短焦距相机和长焦距相机的视场宽度。和分别是短焦距相机和长焦距相机的焦距。

由长焦距照相机捕获的图像被缩放，根据由等式比例系数以匹配短焦距图像（7个)。基于两幅图像中车辆检测包围盒的IoU，缩放长焦距图像中IoU最大的盒子是与被跟踪车辆匹配的对象。

给出了在长焦距图像中寻找与短焦距图像中被跟踪车辆匹配的车辆包围盒的算法1个.

确定履带车辆后，还需要匹配相应车辆的车牌，以获得实际车辆宽度。我们可以根据检测箱的大小来匹配车牌和车辆。但是，对于车辆多且重叠的道路环境，可能存在错误的匹配。从先验知识中我们可以知道，每个车牌只对应一辆车，而离自驾车最近的车辆具有最多的特征。因此，如果一个车牌包围盒落在两个车辆检测盒内，则对应的车辆应该是最近的一个，并且图像显示该车辆的检测盒更接近图像底部。最后给出了车牌与相应车辆的匹配算法2个.

牌照板与相应的车辆匹配后，将车辆的宽度可以由许可证板的宽度来计算。

4.实验

为了验证车辆探测和测距性能的方法,包括检测精度和速度的轻量级YOLO网络意思,车辆跟踪算法的稳定性,和长时间运行和短焦距镜头的准确性融合等方法,进行了实验。实验在NVIDIA Jetson Xavier [40]。The camera was installed inside the windshield with a height of 1.3 m. The experimental equipment installation is shown in Figure7个.

实验中使用的相机图像传感器为OV10635 [41]，像素分辨率为 以及传感器图像区域 .与宽度的成像区域 ,与成像区域宽度相对应的像素宽度是

同时，方程式(6个)以及(八)可以获得 在哪里表示相机的实际焦距。

经过测试，本文的网络可以检测到宽度大于15像素的物体，我们想要检测到100米以内的物体。根据式(9个)，为了检测宽度为440 mm的车牌，实际焦距应大于14.67 mm。因此，选择长焦距为6 mm，短焦距为16 mm，可以满足融合测距的需要。

4.1条。车辆牌照检测与车辆跟踪算法实验

首先，通过数据筛选和自收集，成立含有不同类型的车辆和车牌的图像数据集，共30000，其中用作用作测试集的训练集和6000 24000。训练集共收录了45608个车的目标和21888个车牌的目标。该测试集共收录了10801个车的目标和5093个车牌的目标。所有图像标记YOLO标志[42]。

本文提出轻型YOLO模型是通过PyTorch框架实现，和轻量级YOLO和YOLOv3网络模型进行了培训对NVIDIA GTX 1080Ti。网络的初始学习速率是0.001，重量衰减系数为0.0005，且训练策略使用与0.9的动量项的随机梯度下降算法。

为了验证轻型YOLO网络的性能，将检测结果与YOLOv3进行了比较。实验的评价指标选择每帧的精度、召回率和计算时间。 其中TP表示正确检测到目标数量，FN表示未检测到目标数量，FP表示错误检测到目标数量。当网络检测目标盒中的边界盒和测试集标签数据的IoU大于或等于设置的阈值时，认为是正确的检测。否则视为错误检测，实验阈值取0.5 [43]。

轻量级YOLO和YOLOv3在测试组进行了测试，并且结果示于表1个. 与YOLO相比，轻量级YOLO网络的平均查准率和查全率分别下降了4.43%和3.54%，但参数个数只有四分之一。车牌目标相对较小，因此其精度略低于车辆。但是，每帧的检测速度提高了49 ms，在保证较高检测精度的同时，实现了Jetson-Xavier上的实时车辆检测。

为了验证加入跟踪算法后的检测效果，还对跟踪算法的效果进行了测试。我们选择了5个视频，每个视频有350帧，我们用yolo标记标记了地面真相。

考虑到本文使用的跟踪算法是基于检测结果，我们对轻量级YOLO和跟踪算法产生的边界框的精度和召回率进行了测试，如表所示2个. 与轻量级的YOLO算法相比，跟踪精度和召回率分别提高了1.56%和2.11%。虽然测试样本量较小，但仍能证明加入跟踪算法后的检测效果较好，这是由于跟踪算法减少了误检和漏检。

测试顺序中有39辆车。实验中，IDswitch为52，说明跟踪算法被中断52次。大部分的IDswitch都是由于履带车辆被完全遮挡，而完全可见的车辆可以被连续跟踪。考虑到被遮挡的车辆不是高优先级的测距对象，影响很小。但这也是今后改进的方向之一。加入跟踪算法后，每帧计算时间增加了5.4 ms，整车检测跟踪算法仍能实时运行。

数字八示出了车辆的检测和跟踪的结果。可以看出的是，轻型YOLO能够准确地检测图像中的车辆和车牌。在车辆上的准确的检测的基础上，基于检测到所述多目标跟踪方法也能够稳定地跟踪车辆。

4.2条。聚变测距实验

首先，验证了车辆检测箱匹配算法在长焦和短焦图像中的效果，如图所示9个. 数字图9（c）表明，长焦距的图像中的车辆检测框。数字图9（b）按算法缩放1个与短焦距图像中相应的车辆检测盒几乎重叠10（a） 是的。两个车辆检测盒的IoU分别为0.79和0.71，验证了长焦距与短焦距的标度关系是正确的。实验证明，该算法能够成功地匹配不同焦距图像中的检测盒1个. 匹配过程中IoU的偏差主要来源于车辆颠簸引起的摄像机抖动和不同尺寸车辆图像的检测精度。

然后，为了验证长短焦距融合测距方法的动态性能，进行了四组对比实验。实验1中，前车逐渐远离自车，自车静止，这是测距算法中第一次跟踪的车辆像素宽度过大的情况。实验二，前车离自车越来越近，第一次跟踪的车辆像素宽度很小，无法准确检测到车牌。在实验3和实验4中，目标车辆在侧车道上，自车辆和目标车辆相对运动。长、短焦距融合测距结果与基于车辆位置的测距结果及实际距离的比较如图所示10–13，其中所述基于位置的车辆测距算法中使用的方法中提出[31]，和由雷达检测到的实际距离。

首先，可以看出，在本文提出的距离估计方法的稳定性比基于车辆位置的方法更高。Especially in the dynamic environments of Experiment 2, when the distance is above 30 m, the results of the position-based method appear huge fluctuation, as shown in Figure11，完全偏离了实际距离。在实验1的静态环境下，当距离大于60m时，基于位置的方法的结果也有较大的偏差，如图所示10. 在实验3中，当距离大于40 m时，基于位置的方法的结果出现波动，如图所示12.

然后，在实验1和2，目标车辆在车道直接在前面，并且所述测距结果总是准确的。然而，在实验3和4，可以发现，经过一段时间，测距结果表明明显偏离。考虑到实验3和4的目标车辆是在侧面的车道，由于检测算法的特点，由检测算法提取的边界框不仅后部的车辆，而且在车辆的侧面的。当上侧车道车辆接近自己车辆，通过检测算法的输出车辆的像素宽度比实际的车辆的像素宽度。其结果，实际的车辆宽度由等式（计算5个）比真实实际车辆宽度大。作为目标车辆移开，由检测算法车辆像素输出宽度的误差变小，这使得比实际距离大的测距结果。在图12,the ranging results of the proposed algorithm start to be significantly larger after 35 m. Similarly, in Figure13，测距结果比在后期的地面实况较小。

虽然实验3和实验4中出现了一些误差，但本文提出的算法的精度和鲁棒性明显优于基于位置的测距算法。桌子三显示测距性能的比较。所提出的方法可以同时减小平均误差和标准差 .平均误差百分比结果表明，平均误差百分比与距离的关系很小。平均误差小于4%。

数字14是车辆检测的基于轻型YOLOv3和长和短焦距照相机融合结果测距提出本文。所提出的方法可以精确地检测车辆和估计各种光和道路条件下的车辆之间的距离。在进一步的分析中，在本文提出的长和短焦距照相机融合测距方法完全基于车辆和车牌检测结果，并且误差主要由不准确的检测盒衍生，包括侧车辆检测框宽度超出实际的车辆的宽度，侧牌照宽度的畸变和远处的车辆宽度不显著变化的检测框。

5个。结论

本文提出了轻型YOLO物体检测模型和长和短焦距照相机融合测距方法。轻量级网的ShuffleNet被集成到网络YOLOv3，和轻量级YOLO网络被构建。参数数量是仅一个原有网络的四分之一，和改进的广义IOU损失被添加到损失函数。所提出的方法的精确度和召回比YOLOv3略低，但计算速度大大提高，这实现了实时检测的需求。此外，所述融合测距方法使用车牌宽度来计算实际车辆宽度，并估计的距离。通过长和短焦距融合匹配的方法中，有可能用一个长的距离，以检测该车牌和扩大范围的范围内。跟踪算法的集成也可以检测车牌一次，以确定所跟踪的车辆的宽度，并降低了融合匹配算法的计算量。实验结果表明，该轻量级YOLO物体检测模型和长和短焦距的相机融合测距方法可在车辆嵌入式设备上实现稳定的实时操作。随后的研究需要，以进一步提高车辆和车牌检测的精度，并且当不能检测车牌其他测距方法集成到精确地感测车辆位置。

数据可用性

本研究所包含的所有数据可根据要求与相应作者联系。

利益冲突

作者宣称没有利益的潜在冲突方面的研究，作者，本文的发布。

工具书类

1. 《中国公路与运输杂志》编辑部，《中国汽车工程研究述评》进展：2017年,”中国公路运输，第30卷，no。6、2017年第1-197页。查看位置：谷歌学术搜索
2. M.雷扎伊和R. Klette，计算机视觉驾驶员辅助系统斯普林格国际出版社，2017年。查看位置：出版商的网站
3. Y、 崔，许，吴，孙，赵，“连接车辆系统的路边激光雷达自动车辆跟踪”IEEE智能系统，第34卷，第3期，第44-512019页。查看位置：出版商的网站|谷歌学术搜索
4. K.米田，N.桥本，R.筌，M. Aldibaja和N.菅沼，“车辆定位使用76GHz全向毫米波雷达冬季自动驾驶”，在2018年IEEE智能车辆研讨会（四）， 971-977页，常熟，中国，2018年6月。查看位置：出版商的网站|谷歌学术搜索
5. E. ODAT，J.S。Shamma摄影，和C.蜜儿，“使用组合的无源红外/超声波传感器的车辆分类和速度估计，”IEEE智能交通系统汇刊卷。19，没有。5，第1593至1606年，2017年。查看位置：出版商的网站|谷歌学术搜索
6. Y、 方，赵，查，赵，姚，“用于道路车辆跟踪和强化学习的相机和激光雷达融合”，in2019年IEEE智能车辆研讨会（四），1723-1730页，法国巴黎，2019年6月。查看位置：出版商的网站|谷歌学术搜索
7. A、 Asvadi，L.Garrote，C.Premebida，P.Peixoto和U.J.Nunes，“多模式车辆检测：融合3D-LIDAR和彩色摄像机数据”模式识别快报，第115卷，第20-29页，2018年。查看位置：出版商的网站|谷歌学术搜索
8. “单摄像机基于视觉的ACC:范围和范围率精度的界限”，刊于《基于视觉的单摄像机ACC:范围和范围率精度的界限》IEEEIV2003智能车辆研讨会。程序（类别。编号：03TH8683），第120-125，哥伦布，OH，USA，2003年6月。查看位置：出版商的网站|谷歌学术搜索
9. E、 达根，O.马诺，G.P.斯坦和A.沙舒，“单摄像机前方碰撞警告”，in2004年IEEE智能车辆研讨会，第37-42页，意大利帕尔马，2004年6月。查看位置：出版商的网站|谷歌学术搜索
10. M、 Ibarra Arenado、T.Tjahjadi、J.Pérez Oria、S.Robla-Gómez和A.Jiménez Avello，“城市交通中基于阴影的车辆检测”传感器，第17卷，第5期，第975页，2017年。查看位置：出版商的网站|谷歌学术搜索
11. S. S.赵明福和T.Bräunl，“对称性基于单眼车辆检测系统，”机器视觉及其应用，第23卷，no。2012年第831-842页。查看位置：出版商的网站|谷歌学术搜索
12. 蔡力伟，谢文伟，范国政，“车辆侦测应用归一化颜色与边缘地图”，对图像处理IEEE TRANSACTIONS，第16卷，第3期，第850-8642007页。查看位置：出版商的网站|谷歌学术搜索
13. T. K.十凯特，M. B.范Leewen，S. E.摩洛-Ellenberger，B. J.F。Driessen的，A. H. G. Versluis和F. C. A.格莱恩，“中档和远处车辆检测与移动照相机，”在2004年IEEE智能车辆研讨会，第72-77页，意大利帕尔马，2004年6月。查看位置：出版商的网站|谷歌学术搜索
14. K.罗伯特，“夜间行车监控：多车辆检测，分类和跟踪一个强有力的框架，”在2009年第六届IEEE国际先进视频和信号监控会议，第1-6页，热那亚，意大利，2009年9月。查看位置：出版商的网站|谷歌学术搜索
15. Q、 邹，H。凌，S。罗，黄，田，“通过跟踪和分组头灯的强大夜间车辆检测，”IEEE智能交通系统汇刊，第16卷，no。5，第2838至2849年，2015年。查看位置：出版商的网站|谷歌学术搜索
16. 刘立昌，方长荣，陈少伟，“高速公路车辆前向避碰辅助系统之距离估计新方法”，IEEE智能交通系统汇刊，第18卷，第4期，第937-9492017页。查看位置：出版商的网站|谷歌学术搜索
17. Y、 魏，田，郭，黄，曹，“结合Harr和HOG特征的多车辆检测算法”数学和计算机模拟中卷。155，第130-145，2019。查看位置：出版商的网站|谷歌学术搜索
18. P. H. Batavia, D. E. Pomerleau，和C. E. Thorpe，“使用隐式光流进行超车检测”，in智能交通系统会议录， 729-734页，美国马萨诸塞州波士顿，1997年11月。查看位置：出版商的网站|谷歌学术搜索
19. Y、 陈立文，宋立文，张立雄，陈立文，“基于红外视觉的运动车辆检测扩展模糊背景建模”电子信息通信学会电子快车，第8卷，第6期，第340-345页，2011年。查看位置：出版商的网站|谷歌学术搜索
20. 方和戴，“一种基于光流技术和卡尔曼滤波的改进运动目标检测与跟踪2009年第四届计算机科学与教育国际会议， 1197-1202页，南宁，中国，2009年7月。查看位置：出版商的网站|谷歌学术搜索
21. R. Girshick，J.多纳，T.达雷尔，和J.马立克，“用于精确物体检测和分割基于区域的卷积网络”IEEE交易模式分析与机器智能，第38卷，第1期，第142-158页，2016年。查看位置：出版商的网站|谷歌学术搜索
22. K、 何，张，任，孙，“用于视觉识别的深卷积网络中的空间金字塔池”计算机视觉- eccv2014。2014年大会。计算机科学讲义，第8691卷作者:D. Fleet, T. Pajdla, B. Schiele, T. Tuytelaars，编:， pp. 346-361，施普林格，Cham, 2014。查看位置：出版商的网站|谷歌学术搜索
23. S. REN，K他，R. Girshick和J.太阳，“更快R-CNN：对实时目标检测与区域网络的建议，”在神经信息处理系统进展28 (NIPS 2015)，第91-99日，加拿大蒙特利尔，2015年12月。查看位置：谷歌学术搜索
24. J、 雷蒙，S.迪瓦拉，R.吉尔希克，和A.法哈迪，“你只看一次：统一，实时目标检测在IEEE会议计算机视觉与模式识别（CVPR），第779-788，拉斯维加斯，内华达州，美国，2016年6月。查看位置：谷歌学术搜索
25. W.刘D. Anguelov先生，D埃尔汗等人，“SSD：单拍多光碟探测器”。在计算机视觉–ECCV2016。ECCV2016年。计算机科学讲义，第9905卷，B.Leibe，J.Matas，N.Sebe和M.Welling，编辑，第21-37页，斯普林格，查姆，2016年。查看位置：出版商的网站|谷歌学术搜索
26. J. Redmon和A. Farhadi，“YOLO9000:更好、更快、更强”，in在IEEE会议计算机视觉与模式识别（CVPR），第7263-7271，檀香山，HI，USA，2017年7月。查看位置：谷歌学术搜索
27. J、 Sang，Z.Wu，P.Guo等人，“改进的车辆检测YOLOv2”传感器，第18卷第2期。12、2018年第4272页。查看位置：出版商的网站|谷歌学术搜索
28. G、 Toulminet，M.Bertozzi，S.Mousset，A.Bensrhair和A.Broggi，“基于立体视觉的障碍物特征提取和单目模式分析的车辆检测”对图像处理IEEE TRANSACTIONS卷。15，没有。8，第2364至2375年，2006年。查看位置：出版商的网站|谷歌学术搜索
29. R、 Adamshuk，D.Cravalho，J.H.Z.Neme等人，《基于HSV彩色地图的前向距离估计中逆透视图的适用性》，载于2017年IEEE工业技术国际会议，第1036-1041页，加拿大安大略省多伦多，2017年3月。查看位置：出版商的网站|谷歌学术搜索
30. J、 Han，O.Heo，M.Park，S.Kee和M.Sunwoo，“FCW/AEB系统中使用单摄像头的车辆距离估计”国际汽车技术杂志，第17卷，no。3、2016年第483-491页。查看位置：出版商的网站|谷歌学术搜索
31. M. Rezaei, M. Terauchi，和R. Klette，“在具有挑战性的照明条件下的鲁棒车辆检测和距离估计，”IEEE智能交通系统汇刊，第16卷，no。5、2015年第2723-2743页。查看位置：出版商的网站|谷歌学术搜索
32. 赵，杨，黄，刘，“交通场景中基于几何常数的车辆位置估计”，载于2014年IEEE服务运营、物流和信息学国际会议论文集，第90-95页，中国青岛，2014年10月。查看位置：出版商的网站|谷歌学术搜索
33. J、 Redmon和A.Farhadi，“YOLOv3：渐进式改进”，2018年，http://arxiv.org/abs/1804.02767.查看位置：谷歌学术搜索
34. N. Ma, X. Zhang, H. T. Zheng，和J. Sun，“Shufflenet v2:高效cnn架构设计的实用指南”，in欧洲计算机视觉会议记录，第116-131，德国慕尼黑，2018年9月。查看位置：谷歌学术搜索
35. F、 Chollet，“异常：深度学习与可分离的反褶积”，in在IEEE会议计算机视觉与模式识别（CVPR）2017年7月，美国檀香山，1251-1258页。查看位置：谷歌学术搜索
36. H、 Rezatofighi，N.Tsoi，J.Y.Gwak，A.Sadeghian，I.Reid和S.Savarese，“联合上的广义交集：边界盒回归的度量和损失”，2019年，http://arxiv.org/abs/1902.09630.查看位置：谷歌学术搜索
37. A.比尤利，Z.戈，L.奥特F.拉莫斯和B. Upcroft，“简单的在线和实时跟踪，”在2016年IEEE图像处理国际会议(ICIP)，第3464-3468页，美国亚利桑那州凤凰城，2016年9月。查看位置：出版商的网站|谷歌学术搜索
38. H. W.库恩，“分配问题的匈牙利算法”海军研究后勤季刊卷。2，没有。1-2，第83-97，1955年。查看位置：出版商的网站|谷歌学术搜索
39. R. E.卡尔曼，“一个新的方法来线性滤波和预测问题，”中医基础工程，第82卷，第1期，第35-45页，1960年。查看位置：出版商的网站|谷歌学术搜索
40. “NVIDIA杰特森AGX XAVIER”https://www.nvidia.com/en-us/autonomous-machines/jetson-agx-xavier/.查看位置：谷歌学术搜索
41. “OV10635”https://www.ovt.com/sensors/OV10635/.查看位置：谷歌学术搜索
42. AlexeyAB,Yolo_mark,https://github.com/AlexeyAB/Yolo_mark/.
43. M. Everingham, L. van Gool, C. K. I. Williams, J. Winn，和A. Zisserman， " pascal视觉对象类(VOC)挑战，"国际计算机视觉杂志，第88卷，no。2, pp. 303-338, 2010。查看位置：出版商的网站|谷歌学术搜索

版权

版权所有:刘军、张锐这是一篇开放获取的文章知识共享署名许可协议，它允许在任何媒体中不受限制地使用、分发和复制，前提是正确引用了原始作品。