基于激光雷达和视觉传感器融合的障碍物识别技术研究
发布时间：2021-07-26 08:51
随着智能交通的发展,智能驾驶技术受到了广泛的关注。其中,环境感知技术作为智能驾驶系统的基础,是智能驾驶技术研究的重点。环境感知系统由许多功能模块组成,其中,障碍物识别是环境感知系统的关键功能,要求能够对道路行车环境中的各种障碍物（车辆、行人、自行车）进行准确的分类并获取准确的障碍物空间信息,同时还要有较高实时性。目前,大多数障碍物识别主要依靠激光雷达和视觉传感器组成的环境感知平台来完成,且已经取得一定进展。但是,在复杂交通环境下,激光雷达和视觉传感器都会由于环境干扰而受到一定程度的影响,从而导致障碍物识别效果的下降,尤其是对于细节信息和小尺度障碍物的识别准确率还远达不到智能驾驶系统的要求。如何充分利用两类传感器的优势,消除环境干扰,提高障碍物识别对各类障碍物特别是小尺度障碍物的识别准确率,并能获取准确的障碍物空间信息,同时保持较高的系统实时性,是一个十分重要且具有挑战性的问题。为了解决上述问题,本文展开了基于激光雷达和视觉传感器融合的障碍物识别技术的研究。本文的主要研究内容与工作有:（1）研究了基于激光雷达多特征融合的障碍物识别方法,该方法结合了道路区域、障碍物的形态特征和栅格分布规律...
【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
Velodyne64线激光雷达
基于激光雷达多特征融合的障碍物识别技术研究132.3.3栅格聚类完成栅格图建立后，需将相邻的障碍物占有栅格进行聚类。根据激光雷达点云和栅格图的分布特征，应选取基于密度分布的聚类方法，本章使用一种基于密度的空间聚类方法（Density-BasedSpatialClusteringofApplicationswithNoise,DBSCAN）[52]。DBSCAN聚类算法的具体过程为：记r是半径参数，minPts是邻域密度阈值，RDBSCAN={ri,i=1,…N}是基于密度的聚类结果，其中ri是聚类结果的标签，栅格gi和gj之间的欧氏距离为Dij，则DBSCAN的算法步骤如下：Step1:初始化。标记所有的栅格gi为未访问，ri=i；Step2:对于任一的栅格gi，如果gi未访问，则根据Dij<r找出所有的gj，构成gi的领域集合ηi，如果ηi中的点数量小于minPts，则记gi为噪声点；如果gi已访问到，则转到Step3；Step3:对于所有的gk∈ηi，如果gk未访问，则根据Dkj<r找出所有的gj，把gj加入gi的领域集合ηi，如果gk已访问，则rk=ri，转到Step2。DBSCAN聚类算法可以聚类出任意类别的稠密簇，且只有半径参数r和领域密度阈值minPts两个参数。本章在使用DBSCAN算法对栅格进行聚类时，考虑到栅格的分布形式，使用了如表2.1所示的参数设置：表2.1DBSCAN参数设置栅格大小（厘米）rminPtsG2G1图2-5展示了图2-4中栅格图聚类的结果，从图中可以看出每个栅格都可以被正确地聚类。(a)栅格图(b)聚类效果图2-5栅格聚类效果图
基于激光雷达多特征融合的障碍物识别技术研究15显然，非机动车与机动车的纵向高度轮廓存在显著区别，并且通过纵向高度轮廓，可以区分机动车和一些其他障碍物。高度长度图2-6纵向高度示意图3、宽高比一般来说，非机动车（如行人）的宽高比远小于机动车，因此通过计算候选目标簇的宽高比3()WfH作为特征向量的第三部分。4、直角特征如图2-7所示，在实际情况中，大多数车辆的栅格簇呈L型分布，因此L型分布的候选栅格簇有很大的可能是车辆，而非机动车一般不具备这个特点。因此，可以通过计算栅格簇边缘的最大斜率4max(cur_slop,)ijijggggyyfxx作为特征向量的第四部分。其中，cur_slop为当前最大斜率，(,)iiggxy为当前选中栅格的坐标，i=1,..,gn,gn为候选目标栅格簇内的栅格数量，(,)jjggxy为当前选中栅格四邻域内的其中一个栅格的坐标，j≠i。图2-7五种典型车辆栅格簇本章所设计的特征向量还包含了反射率特征，分别为：5、反射率方差、平均值对于激光雷达传感器来说，其点云的反射率强度跟物体的材质和颜色有关，金属的反射率一般远大于非金属的反射率，机动车一般是金属外壳，反射率较大，非机动车如
【参考文献】：
期刊论文
[1]多传感器融合的智能车定位导航系统设计[J]. 李磊,肖世德,李兴坤,董庆丰. 工程设计学报. 2019(02)
[2]深度学习分类网络研究及其在计算机视觉中的应用[J]. 王一帏. 通讯世界. 2019(03)
[3]基于深度图的三维激光雷达点云目标分割方法[J]. 范小辉,许国良,李万林,王茜竹,常亮亮. 中国激光. 2019(07)
[4]无人驾驶产业发展现状及影响[J]. 郭英楠,殷宗迪. 中国国情国力. 2019(03)
[5]基于尾灯的夜间前方车辆检测与跟踪方法[J]. 于莉媛,郭云雷,牛萍娟,刘大利,刘雷,罗德智. 天津工业大学学报. 2019(01)
[6]基于深度卷积神经网络的图像语义分割[J]. 刘希. 信息技术. 2019(02)
[7]中国乘用车ADAS市场发展趋势浅析[J]. 赵津,杜志彬,张庆余,赵鹏超. 时代汽车. 2019(02)
[8]自动驾驶环境感知系统研究[J]. 郝俊. 时代汽车. 2018(09)
[9]自动驾驶关键技术与产业发展态势研究[J]. 宫慧琪,牛芳. 信息通信技术与政策. 2018(08)
[10]道路交通运输安全发展报告（2017）[J]. Matthias Gsul,胡予红,周旋,宁丙文,米建英,刘佳,王光远,王静,董晨,张露丹. 中国应急管理. 2018(02)
硕士论文
[1]基于激光扫描雷达的自动驾驶技术研究[D]. 李赵.北方工业大学 2018
[2]基于毫米波雷达和机器视觉的夜间前方车辆检测研究[D]. 程蕾.吉林大学 2016
[3]基于深度图像绘制中的空洞填充[D]. 曹东华.重庆大学 2016
[4]基于三维激光雷达的实时目标检测[D]. 程健.浙江大学 2014
[5]复杂环境下基于多特征融合的车辆检测方法研究[D]. 雷章明.华东交通大学 2013
[6]基于雷达与相机的无人驾驶智能车障碍物检测技术研究[D]. 张双喜.长安大学 2013
[7]基于雷达和机器视觉的车辆前方障碍物检测系统设计与实现[D]. 黄伟.武汉理工大学 2010
本文编号：3303244
【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
Velodyne64线激光雷达
基于激光雷达多特征融合的障碍物识别技术研究132.3.3栅格聚类完成栅格图建立后，需将相邻的障碍物占有栅格进行聚类。根据激光雷达点云和栅格图的分布特征，应选取基于密度分布的聚类方法，本章使用一种基于密度的空间聚类方法（Density-BasedSpatialClusteringofApplicationswithNoise,DBSCAN）[52]。DBSCAN聚类算法的具体过程为：记r是半径参数，minPts是邻域密度阈值，RDBSCAN={ri,i=1,…N}是基于密度的聚类结果，其中ri是聚类结果的标签，栅格gi和gj之间的欧氏距离为Dij，则DBSCAN的算法步骤如下：Step1:初始化。标记所有的栅格gi为未访问，ri=i；Step2:对于任一的栅格gi，如果gi未访问，则根据Dij<r找出所有的gj，构成gi的领域集合ηi，如果ηi中的点数量小于minPts，则记gi为噪声点；如果gi已访问到，则转到Step3；Step3:对于所有的gk∈ηi，如果gk未访问，则根据Dkj<r找出所有的gj，把gj加入gi的领域集合ηi，如果gk已访问，则rk=ri，转到Step2。DBSCAN聚类算法可以聚类出任意类别的稠密簇，且只有半径参数r和领域密度阈值minPts两个参数。本章在使用DBSCAN算法对栅格进行聚类时，考虑到栅格的分布形式，使用了如表2.1所示的参数设置：表2.1DBSCAN参数设置栅格大小（厘米）rminPtsG2G1图2-5展示了图2-4中栅格图聚类的结果，从图中可以看出每个栅格都可以被正确地聚类。(a)栅格图(b)聚类效果图2-5栅格聚类效果图
基于激光雷达多特征融合的障碍物识别技术研究15显然，非机动车与机动车的纵向高度轮廓存在显著区别，并且通过纵向高度轮廓，可以区分机动车和一些其他障碍物。高度长度图2-6纵向高度示意图3、宽高比一般来说，非机动车（如行人）的宽高比远小于机动车，因此通过计算候选目标簇的宽高比3()WfH作为特征向量的第三部分。4、直角特征如图2-7所示，在实际情况中，大多数车辆的栅格簇呈L型分布，因此L型分布的候选栅格簇有很大的可能是车辆，而非机动车一般不具备这个特点。因此，可以通过计算栅格簇边缘的最大斜率4max(cur_slop,)ijijggggyyfxx作为特征向量的第四部分。其中，cur_slop为当前最大斜率，(,)iiggxy为当前选中栅格的坐标，i=1,..,gn,gn为候选目标栅格簇内的栅格数量，(,)jjggxy为当前选中栅格四邻域内的其中一个栅格的坐标，j≠i。图2-7五种典型车辆栅格簇本章所设计的特征向量还包含了反射率特征，分别为：5、反射率方差、平均值对于激光雷达传感器来说，其点云的反射率强度跟物体的材质和颜色有关，金属的反射率一般远大于非金属的反射率，机动车一般是金属外壳，反射率较大，非机动车如
【参考文献】：
期刊论文
[1]多传感器融合的智能车定位导航系统设计[J]. 李磊,肖世德,李兴坤,董庆丰. 工程设计学报. 2019(02)
[2]深度学习分类网络研究及其在计算机视觉中的应用[J]. 王一帏. 通讯世界. 2019(03)
[3]基于深度图的三维激光雷达点云目标分割方法[J]. 范小辉,许国良,李万林,王茜竹,常亮亮. 中国激光. 2019(07)
[4]无人驾驶产业发展现状及影响[J]. 郭英楠,殷宗迪. 中国国情国力. 2019(03)
[5]基于尾灯的夜间前方车辆检测与跟踪方法[J]. 于莉媛,郭云雷,牛萍娟,刘大利,刘雷,罗德智. 天津工业大学学报. 2019(01)
[6]基于深度卷积神经网络的图像语义分割[J]. 刘希. 信息技术. 2019(02)
[7]中国乘用车ADAS市场发展趋势浅析[J]. 赵津,杜志彬,张庆余,赵鹏超. 时代汽车. 2019(02)
[8]自动驾驶环境感知系统研究[J]. 郝俊. 时代汽车. 2018(09)
[9]自动驾驶关键技术与产业发展态势研究[J]. 宫慧琪,牛芳. 信息通信技术与政策. 2018(08)
[10]道路交通运输安全发展报告（2017）[J]. Matthias Gsul,胡予红,周旋,宁丙文,米建英,刘佳,王光远,王静,董晨,张露丹. 中国应急管理. 2018(02)
硕士论文
[1]基于激光扫描雷达的自动驾驶技术研究[D]. 李赵.北方工业大学 2018
[2]基于毫米波雷达和机器视觉的夜间前方车辆检测研究[D]. 程蕾.吉林大学 2016
[3]基于深度图像绘制中的空洞填充[D]. 曹东华.重庆大学 2016
[4]基于三维激光雷达的实时目标检测[D]. 程健.浙江大学 2014
[5]复杂环境下基于多特征融合的车辆检测方法研究[D]. 雷章明.华东交通大学 2013
[6]基于雷达与相机的无人驾驶智能车障碍物检测技术研究[D]. 张双喜.长安大学 2013
[7]基于雷达和机器视觉的车辆前方障碍物检测系统设计与实现[D]. 黄伟.武汉理工大学 2010
本文编号：3303244
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3303244.html
