Die Fahrzeugerkennung ist entscheidend für Fahrerassistenzsysteme. Aufgrund der starken Verschlechterung der Straßenszenerien bei Nebel sind Fahrzeuginformationen im Bild nicht deutlich, was zu Erkennungsfehlern und Auslassungen führt. Zur Lösung dieser Probleme schlägt dieser Artikel eine Methode zur Fahrzeugerkennung bei Nebel vor, die Millimeterwellenradar und maschinelles Sehen integriert. Zunächst wird ein Entnebelungsalgorithmus basierend auf dem Dunkelkanal eingesetzt, um das Bild vorzuverarbeiten und die Sichtbarkeit der Fahrzeuginformationen in nebligen Bildern zu erhöhen. Anschließend wird der YOLOv5s-Algorithmus durch Wissensdistillation verbessert: In das Merkmalsextraktionsnetzwerk von YOLOv5s wird Wissensdistillation integriert, und während der Objektlokalisierungs- und Klassifikationsphase wird Distillationsverlust berechnet, um ein kleines Netzwerkmodell mittels Rückpropagation zu trainieren, was die Erkennungsgeschwindigkeit erhöht bei gleichzeitiger Beibehaltung der visuellen Erkennungsgenauigkeit. Schließlich wird ein Distanz-Abgleichsalgorithmus basierend auf der Suche nach potenziellen Zielerkennungsbereichen verwendet, um die visuellen Erkennungsergebnisse mit denen des Millimeterwellenradars auf Entscheidungsebene zu fusionieren. Basierend auf Zieltyp und Entfernung werden Stör- und Fehlinformationen herausgefiltert, und Ziele mit hoher Erkennungssicherheit aus der Fusion von Radar- und visueller Erkennung beibehalten, wodurch die Fahrzeugerkennungsgenauigkeit verbessert wird. Die experimentellen Ergebnisse zeigen, dass diese Methode bei Nebel eine maximale Erkennungsgenauigkeit von 92,8 % und eine Rückrufrate von 90,7 % erreicht und die Fahrzeugerkennung unter diesen Bedingungen ermöglicht.

Fahrzeugerkennung;Millimeterwellenradar;Entnebelung;Wissensdistillation;Distanzabgleich;Entscheidungsebene-Fusion