基于边缘的复杂城市道路障碍物检测关键技术研究

发布时间：2020-08-14 20:44

【摘要】：汽车辅助驾驶技术一直是机器视觉领域中较为热门的研究课题,而障碍物检测是汽车辅助驾驶技术的关键,为汽车安全行驶提供了重要保障。由于城市道路,特别是闹市区,周围环境较为复杂,因此复杂城市道路障碍物的检测属于障碍物检测中的一个难点,对障碍物的检测工作带来了较大的挑战。本文针对这一问题进行深入研究,提出了基于边缘的复杂城市道路障碍物检测方法。具体研究内容包括以下几个方面:首先,针对复杂城市道路,提出了基于K-Means的无监督特征学习道路区域检测方法。先对存在阴影的道路图进行去阴影处理,利用道路先验知识和直方图归一化方法提取道路置信区域,采用K-Means聚类算法对预处理后的道路置信图进行特征学习。然后基于道路图像位置信息对学习到的特征进行打分,获得得分较为靠前特征图,并利用多阈值法对特征图进行分割,最终得到道路区域。然后,提出了基于改进的Edge-Boxes障碍物候选区域提取方法。算法基于梯度信息获取图像的边缘,对得到的边缘像素点根据梯度值和方向聚类成一个个边缘组集合,然后利用边缘组集合对候选边界框进行打分,并根据候选区域边框内的目标轮廓数量进行障碍物候选区域提取。最后,利用卷积神经网络对行人和车辆进行检测。将归一化尺寸后的的目标候选区域输入到卷积神经网络中,输出每个候选区域框对应的特征向量,然后采用SVM分类算法对提取到的特征进行分类处理,将待检测目标分出来。为了验证提出算法的性能,本文分别在三个道路数据集上对算法进行了测试。实验结果表明:提出的道路检测算法有着较高的鲁棒性,精确率与召回率分别在84%、90%以上;改进的目标候选区域提取算法避免了用于训练模型花费的时间,在VOC2007数据集上的测试结果显示IoU为0.6下召回率仍在80%左右;同时,本文成功地将改进的目标候选区域算法与卷积神经网络相结合,在KITTI数据集上能够有效地实现对复杂道路场景下障碍物的检测。
【学位授予单位】：燕山大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP391.41;U463.6
【图文】：

电子地图,城市环境,障碍物,类型

图 1-1 复杂城市环境下障碍物类型1.2 国内外研究现状当汽车配有各种传感器，通过它们来感知周围的驾驶环境（行驶道路、障碍物等信息）并做出相应的反馈（控制车辆的车速或方向），这样的车辆就称为智能车。对智能车的研究，可以追溯到二十世纪八十年，代表国家有美国、日本和德国，因为他们对智能车研究的投入，使得智能车研究得到了较快的发展，比如对汽车辅助驾驶系统以及无人车驾驶系统都有了突破型的进展[3]。美国国防高级研究计划局首先开始使用雷达、相机及其它多种传感器进行道路环境的感知，这也是如今大多数智能车辆所采用的方法[4]。谷歌公司于 2012 年 4 月 1 日向全世界展示了他们使用自动驾驶技术的智能车 Google X，该智能车通过摄像机、雷达传感器和激光测距仪来实现对道路环境的识别，并且配合高精度电子地图作为行驶导航[5]。雷诺公司在智能车方面投入重资，研发出的智能车配备有道路感知系统，系统整合了红外、雷达等相关技术[6]。

基于边缘的复杂城市道路障碍物检测关键技术研究

Google无人车

公司,高速公路,车道分界线,互联网公司

第 1 章绪论批开始研发无人驾驶汽车的互联网公司，其与宝马公司合作研发针对中国存在的困难问题，并在 2015 年下旬在国内城市或高速公路上进行全自动驾清华大学研发出多功能室外智能移动机器人实验平台 THMR-V，该平台能校高速公路车道分界线的快速视觉检测以及部分辅助驾驶等功能[11]等。

【相似文献】