（论文速读）ECE-VDTDA:一个鲁棒的且计算效率高的避碰系统，用于大雾天气下的驾驶员辅助

最新推荐文章于 2026-08-19 16:30:27 发布

原创最新推荐文章于 2026-08-19 16:30:27 发布 · 495 阅读

8 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

收录于

目标检测方法

论文题目：ECE-VDTDA: A robust and computationally efficient collision avoidance system for driver assistance in foggy weather（一个鲁棒的且计算效率高的避碰系统，用于大雾天气下的驾驶员辅助）

期刊：Plos One

摘要：高级驾驶辅助系统(ADAS)和防撞系统(CAS)是现代以人为中心和自动驾驶应用的主要模块，如前后碰撞警告。为了提高ADAS和CAS系统在大雾天气下的性能，提出了一种高效、经济的驾驶员辅助车辆检测与跟踪系统(ECE-VDTDA)。提出的ECE-VDTDA系统包括车辆检测、跟踪和驾驶员辅助模块。基于SimSPPF模块、YOLO (You Only Look Once)基线算法(YOLO- v5s)和WIOU (Wise Intersection Over Union)定位损失函数，提出了一种优化的SimYOLO-V5s_WIOU车辆检测算法。最先进的Deep-SORT、Strong-SORT和优化的Deep-SORT算法用于车辆跟踪。ECE-VDTDA系统的车辆检测和跟踪性能在黎明、大雾驾驶、大雾城市景观、BDD100K、网络收集和自行收集的大雾天气数据集上进行了严格评估。优化后的SimYOLO-V5s_WIOU算法在雾天驾驶数据集上的mAP50提高了17.45%，在雾天城市景观数据集上的mAP50、mAP50-95、F1分数、精度和召回分数分别比基线的YOLO-V5s提高了0.32%、1.05%、1.58%、2%和0.54%。此外，SimYOLO-V5s_WIOU算法也优于最先进的方法，并使Deep-SORT, Strong-SORT和优化的Deep-SORT车辆跟踪算法能够高置信度地跟踪车辆。ECE-VDTDA系统的驾驶员辅助模块通过估算距离、速度和碰撞时间，并及时发出碰撞警告，帮助预防大雾天气下即将发生的道路碰撞。实验结果表明，所提出的ECE-VDTDA系统具有较好的鲁棒性和计算效率。

ECE-VDTDA：一套专为雾天设计的高效低成本车辆检测、跟踪与碰撞预警系统

一、背景与问题：雾天行车，为何如此危险？

道路交通事故每年造成大量人员伤亡与财产损失。雾天因能见度大幅降低，使车辆检测和碰撞预警面临极大挑战。现有的先进驾驶辅助系统（ADAS）和碰撞避免系统（CAS）存在以下核心痛点：

1. 传统传感器方案成本高、局限多
基于超声波或 LiDAR 的传统 CAS 检测范围有限、成本昂贵。虽然多传感器融合方案（摄像头+LiDAR+RADAR+V2X）有所改进，但仍面临传感器噪声、通信延迟和安全漏洞等问题。

2. 雾天场景下检测性能严重退化
当前主流 YOLO 系列检测器在雾天图像数据集上的 mAP、召回率和推理速度均未达到实用要求，对卡车、摩托车等小类别的检测尤为薄弱。

3. 缺乏从"检测→跟踪→预警"的完整闭环
现有研究多聚焦于单一模块，缺少将车辆检测、跟踪、距离估计、速度估计、碰撞时间（TTC）估计整合为统一系统并产生分级碰撞预警的完整方案。

为此，本文提出了 ECE-VDTDA（Efficient and Cost-Effective Vehicle Detection and Tracking with Driver Assistance）系统，通过纯视觉方案，在雾天环境下实现高效、低成本的碰撞避免与驾驶辅助。

二、系统架构：三层模块，一气呵成

【配图：Fig 1 — ECE-VDTDA 系统抽象概览图】
【配图：Fig 3 — ECE-VDTDA 系统研究方法论流程图】

ECE-VDTDA 系统由三个核心模块串联构成：

摄像头输入（实时/离线视频）
        ↓
  [模块一] 车辆检测
   SimYOLO-V5s_WIOU
        ↓
  [模块二] 车辆跟踪
   Optimized Deep-SORT
        ↓
  [模块三] 驾驶辅助
   距离/速度/TTC 估计 → 分级碰撞预警

ECE-VDT 子系统：负责检测（SimYOLO-V5s_WIOU）和跟踪（Deep-SORT/Strong-SORT），识别车、巴士、卡车、摩托车四类目标，并输出检测置信度和跟踪ID。
驾驶辅助模块：依据检测跟踪结果估算距离、速度和 TTC，依据预设阈值产生三级预警（红色Imminent / 黄色Attention / 白色Safe），提示驾驶员采取制动、转向或保持安全车速等操作。

三、核心创新一：SimYOLO-V5s_WIOU 检测算法

3.1 架构改进

【配图：Fig 4 — SimYOLO-V5s_WIOU 架构图】

在 YOLO-V5s 基础上，本文进行了两处关键改动：

① SimSPPF 模块替换原有 SPPF
SimSPPF（Simplified Spatial Pyramid Pooling Fast）在骨干网络末端通过三次级联 MaxPool（kernel=5, stride=1, padding=2）完成多尺度特征融合，并拼接原始特征图，最后用 1×1 SimConv 融合输出。该模块在保持多尺度感知能力的同时，显著降低计算量。

② WIOU 损失函数替换传统定位损失
Wise-IoU（WIOU）基于标准 IoU 损失，引入动态非单调聚焦机制（FM），核心思想是：将梯度增益优先分配给"普通质量"的锚框，避免对高质量（简单样本）和低质量（困难样本/异常值）锚框的过度关注，从而整体提升检测模型的泛化性能。

WIOU 共有三个版本：

WIOU-V1：基于距离注意力机制
WIOU-V2：基于单调聚焦机制
WIOU-V3：基于动态非单调 FM（本文采用）

WIOU-V3 的梯度增益 r 由离群度 $\beta$ 动态控制：

$\mathcal{L}{WIoU\text{-}V3} = r \cdot \mathcal{L}{WIoU\text{-}V1}, \quad r = \frac{\beta}{\delta \alpha^{\beta - \delta}}$

3.2 与其他 IoU 损失的对比

本文同时梳理了五种经典 IoU 损失函数（IOU、DIOU、CIOU、EIOU、SIOU），这些损失函数此前已在 SimYOLO-V5s 的五个变体（_CIOU/_DIOU/_EIOU/_GIOU/_SIOU）中得到验证。本文在此基础上新增 WIOU 变体，使定位损失的研究谱系更加完整。

3.3 锚框配置

【Table 2 — SimYOLO-V5s_WIOU 锚框配置表（按检测层、步长、目标尺寸分组）】

网络在 640×640 输入尺寸下设置 9 个锚框，分布在三个检测层（P3小目标 / P4中目标 / P5大目标），AutoAnchor 覆盖率在各数据集上达 4.79–5.46 锚框/目标，覆盖良好。

四、核心创新二：车辆跟踪模块

4.1 Deep-SORT 与 Strong-SORT

【配图：Fig 6 — ECE-VDT 检测与跟踪模块工作示意图】

系统采用**跟踪-检测（Tracking-by-Detection）**范式，以 SimYOLO-V5s_WIOU 的检测结果驱动跟踪器。对比了三种跟踪算法：

Baseline Deep-SORT：结合卡尔曼滤波（状态预测）和匈牙利算法（数据关联），引入外观特征（余弦距离）和运动特征（马氏距离）联合度量，解决 SORT 算法 ID 切换频繁的问题。
Optimized Deep-SORT：在 Baseline Deep-SORT 基础上针对雾天视频进行调优。
Strong-SORT：引入 AFLink（外观自由链接模型）增强全局关联，以及 GSI（高斯平滑插值）减少漏检，整体跟踪更稳定，但更新耗时略高于 Deep-SORT。

Deep-SORT 状态向量定义为：

$\mathbf{x}_t = [u_t\ v_t\ \gamma_t\ h_t\ \dot{u}_t\ \dot{v}_t\ \dot{\gamma}_t\ \dot{h}_t]^T \in \mathbb{R}^8$

其中 $(u,v)$ 为边界框中心坐标， $\gamma=w/h$ 为宽高比， $h$ 为边界框高度。

五、核心创新三：驾驶辅助与碰撞预警模块

【配图：Fig 7 — ECE-VDTDA 系统完整流程图（含碰撞预警决策路径）】

5.1 车辆距离估计（VDE）

距离估计基于边界框高度与实际距离的反比关系，通过比例因子 k1 将像素空间映射到物理空间：

$Distance_{meters} = \text{round}\left(\frac{k_1}{\max(bbox_height, 1)}\right)$

边界框越大（目标越近），估算距离越小，与真实场景一致。

5.2 车辆速度估计（VSE）

速度估计同样基于边界框高度，确保近处和远处目标速度估计相对稳定：

$Speed_{km/h} = 50 + 5 \times \left(\frac{100}{bbox_height}\right)$

5.3 碰撞时间估计（TTC）

TTC 采用两种公式：

基于距离的 TTC（主要方案，假设固定参考速度 5 m/s）： $TTC_{seconds} = \frac{Distance}{Speed}$
基于速度的 TTC（近似方案，用于固定阈值距离场景）： $TTC_{seconds} = \left(\frac{speed_{m/s}}{fixed_distance_m}\right) \times k_2$

碰撞风险与 TTC 直接挂钩，TTC 越小，风险越高： $Risk_{collision} = \frac{1}{TTC}$

5.4 分级预警阈值

【配表：Table 3 — VSE/VDE/TTC 三级预警阈值表】

功能	阈值	预警等级	颜色
VSE	>60 km/h	迫近碰撞警告	红色
VSE	53–60 km/h	需要注意	黄色
VSE	0–52 km/h	安全	白色
VDE	0–10 m	迫近碰撞警告	红色
VDE	11–50 m	需要注意	黄色
VDE	>50 m	安全	白色
TTC	0–2 s	迫近碰撞警告	红色
TTC	2.1–5 s	需要注意	黄色
TTC	>5 s	安全	白色

六、实验设置

6.1 数据集

【配图：Fig 8 — FD、DAWN、FC 数据集类别标签分布图】

图像检测数据集：

FD（Foggy Driving）：101 张真实雾天道路图像，训练/验证 = 80:20
DAWN（Vehicle Detection in Adverse Weather Nature）：1000 张多天气图像（含300张雾天），训练/验证 = 80:20
FC（Foggy Cityscapes）：5000 张合成雾天图像，训练/验证/测试 = 60:10:30

视频跟踪与驾驶辅助数据集：

BDD100K：多样性大规模驾驶视频数据集（1213帧视频序列）
Web-collected：YouTube 采集的雾天驾驶视频
Self-collected：自采集雾天视频（10213帧）

6.2 硬件与训练设置

云端：Google Colab，NVIDIA Tesla T4 GPU（15GB），训练 300 epochs
本地：NVIDIA GeForce GTX 1050 Ti（4GB），训练 100 epochs
优化器：SGD，批大小 16（训练）/ 1（验证）
输入分辨率：640×640
跟踪超参：置信阈值 0.25，NMS IoU 阈值 0.45，最大存活帧 30，NN_Budget 100

七、实验结果

7.1 检测精度对比

【配表：Table 4 — 基线 YOLO-V5s 与 SimYOLO-V5s_WIOU 在 FD/DAWN/FC 数据集上的精度对比】

在 FD 数据集上：
SimYOLO-V5s_WIOU 将 mAP50 从 40.1% 提升至 47.3%（+17.45%），mAP50-95 从 20.8% 提升至 24%，F1 从 38 提升至 40，召回率从 48.7% 提升至 56.7%。在卡车类别上表现尤为突出（18.8% → 36.1%）。

在 FC 数据集上：
精确率（74.1% → 75.6%）、召回率（55.2% → 55.5%）、mAP50（61.6% → 61.8%）、mAP50-95（38% → 38.4%）、F1（63 → 64）均有改善，摩托车类别大幅提升（39.1% → 43.6%）。

在 DAWN 数据集上：
SimYOLO-V5s_WIOU 与基线相比精度略低，但在速度上有明显优势，且 mAP50（73.4%）与 SOTA 方法 YOLO-V11s（73.1%）和参考方法[61]（73.4%）持平，精确率（77.5%）居首。

7.2 检测速度对比

【配表：Table 5 — 基线 YOLO-V5s 与 SimYOLO-V5s_WIOU 在 FD/DAWN/FC 数据集上的速度对比】

最具代表性的是 FD 数据集：SimYOLO-V5s_WIOU 的后处理时间从 33.5ms 骤降至 5.5ms，FPS 从 24 跃升至 80（提升约 3.3 倍），训练时间也从 0.930h 缩短至 0.841h。

7.3 与 SOTA 方法对比

【配表：Table 6 — SimYOLO-V5s_WIOU 与 SOTA 在 FD 数据集上的精度对比】
【配表：Table 7 — SimYOLO-V5s_WIOU 与 SOTA 在 FD 数据集上的速度对比】
【配表：Table 8 — SimYOLO-V5s_WIOU 与 SOTA 在 DAWN 数据集上的精度对比】
【配表：Table 9 — SimYOLO-V5s_WIOU 与 SOTA 在 DAWN 数据集上的速度对比】

在 FD 数据集上，SimYOLO-V5s_WIOU 以 mAP50=47.3%、F1=40、FPS=80 全面超越对比方法：