基于雷达与视觉传感器信息融合的车辆检测方法研究

发布时间：2020-08-18 14:17

【摘要】：交通事故频发导致的财产损失和人员伤亡给人们生产生活带来了严重影响。为了减少碰撞产生的交通事故,汽车主动安全避撞系统应运而生,该系统根据装在自车车身周围的多种传感器对自车行车环境实时监控,避免因碰撞产生的交通事故,保证驾驶人员安全。本文主要对自车前方目标检测进行研究,根据安装在车身上的雷达与视觉传感器识别前方目标类型,获取前方目标的运动状态,优化了前方车辆检测系统。对提高驾驶人员安全,降低碰撞事故发生率具有重要意义。研究工作主要包括:(1)本文首先对国内外行车环境感知的研究成果进行分析与总结。结合研究现状的优缺点提出本文的研究方法以及思路,对联合雷达与视觉传感器的车辆检测方案进行设计,解决各传感器间的空间和时间融合问题,实现系统功能。(2)对基于毫米波雷达的检测系统进行设计。分析毫米波雷达基本工作原理,对本文选取的Delphi ESR毫米波雷达获取的数据信息进行处理,依据设置的同车道阈值y_0滤除无效信息并进行目标初选;根据在有限时间内汽车的运动状态变化有一定的上下限这一情况,将初选目标与有效目标的运动状态进行对比判断初选目标是否有效,该方法通过对目标的角度?_k,位移d_k和速度v_k阈值进行设定滤除虚假目标;利用生命周期算法,设置目标三个时期的运动状态,消除因自车俯仰和横摆等原因对有效目标选取产生的干扰;对获取的数据采取滤波处理减少数据噪声,为自动紧急制动系统等一系列主动安全避撞系统提供有效的参考数据。(3)对基于视觉传感器的目标识别追踪系统进行设计。采用Haar-like矩形特征作为识别图像中车辆的依据;使用积分图计算方法缩短矩形特征中计算特征值的运算时间;根据Adaboost算法将有效矩形特征值构建的弱分类器加权组成强分类器,其中弱分类器基于样本图片中的特征值获得;再将每个强分类器组成级联分类器进行目标检测,通过对误检率的关注,提升级联分类器的性能;引入时空上下文快速跟踪算法对检测出的车辆目标进行跟踪,通过计算求取适合的形状参数?,提高识别追踪的准确率。相比于视觉跟踪分解方法(VTD)、布点场式跟踪方法(DF)以及压缩跟踪方法(CT)三种检测算法,本文方法在检测成功率上平均提高了8.9%,最大可达17.53%;漏检率平均降低了11.46%,最大可达16.06%;误差率方面也有所改善;单帧识别耗时45.7ms满足避撞性能要求。(4)解决雷达与视觉传感器之间因安装坐标不统一以及采集数据时间点不对应使数据无法融合的问题。研究摄像机、雷达、世界坐标系的变换关系,通过矩阵旋转、向量平移等方法实现坐标系间的空间融合;对镜头畸变的原因进行分析并进行畸变校正;采用线程同步方法解决传感器采集信息时,时间点不一致的问题。最后对模型进行验证。(5)对本文设计的传感器融合识别追踪系统进行模拟驾驶仪仿真以及实车验证。开展基于6自由度QJ-4B动感型模拟驾驶仪的仿真试验,通过仿真对本文设计的系统进行稳定性测试,在效果良好的基础上再进行实车验证。结果表明,该方法可以完成前方车辆的实时检测,满足主动安全避撞对识别率和实时性的要求。
【学位授予单位】：江苏大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：U463.6
【图文】：

江 苏 大 学 硕 士 学 位 论 文第一章 绪论课题研究背景与意义 研究背景据公安部交管局统计，截止 2017 年 6 月底，全国汽车保有量突破 2.05 增长了 11.8%[1]。图 1.1 是公安部交管局统计的这些年中国汽车数据变图中可以看出同比增长虽然刚开始有下降趋势，但后期变化幅度趋于车保有量一直增加。

受益于传感器技术、汽车电子技术和现代通信技术的迅猛发展，先进驾驶辅助系统得到了广泛重视，图 1.2 展示了目前先进驾驶辅助系统架构，车辆在行驶过程中基于车上安装的多种传感器设备（多功能摄像头、毫米波雷达等），随时采集车内外道路环境数据，比如自车状态（车速等），周边道路环境信息（周边车辆状态、车道线等信息），ECU 对这些信息进行筛选、检测以及识别，并与高精地图数据相结合，开展系统的计算分析，向执行器发出控制指令。通过执行机构辅助驾驶员操作，从而减轻驾驶员负担并提醒驾驶者潜在的危险，改善车辆驾驶过程的安全舒适性。

益于传感器技术、汽车电子技术和现代通信技术的迅猛发展，先进驾驶得到了广泛重视，图 1.2 展示了目前先进驾驶辅助系统架构，车辆在行基于车上安装的多种传感器设备（多功能摄像头、毫米波雷达等），随内外道路环境数据，比如自车状态（车速等），周边道路环境信息（周态、车道线等信息），ECU 对这些信息进行筛选、检测以及识别，并与数据相结合，开展系统的计算分析，向执行器发出控制指令。通过执行驾驶员操作，从而减轻驾驶员负担并提醒驾驶者潜在的危险，改善车辆的安全舒适性。

【参考文献】

相关期刊论文 前10条

1 徐建强;陆耀;;一种基于加权时空上下文的鲁棒视觉跟踪算法[J];自动化学报;2015年11期

2 高振海;王竣;佟静;李红建;郭章勇;娄方明;;车载毫米波雷达对前方目标的运动状态估计[J];吉林大学学报(工学版);2014年06期

3 郭君斌;王建强;易世春;李克强;;基于单目视觉的夜间前方车辆检测方法[J];汽车工程;2014年05期

4 王晓辉;程健庆;韩瑜;;基于改进模型的摄像机标定[J];电子测量技术;2013年12期

5 王建强;张海花;;基于Matlab工具箱的摄像机标定[J];实验室研究与探索;2013年06期

6 雷蕾;王晓丹;;基于损失函数的AdaBoost改进算法[J];计算机应用;2012年10期

7 高德芝;段建民;于宏啸;;基于激光雷达和摄像机的前方车辆检测[J];北京工业大学学报;2012年09期

8 文学志;方巍;郑钰辉;;一种基于类Haar特征和改进AdaBoost分类器的车辆识别算法[J];电子学报;2011年05期

9 高德章;;大地坐标系与投影坐标系[J];物探化探计算技术;2011年01期

10 沈志熙;黄席樾;杨镇宇;韦金明;;基于Boosting的智能车辆多类障碍物识别[J];计算机工程;2009年14期

相关博士学位论文 前3条

1 范延军;基于机器视觉的先进辅助驾驶系统关键技术研究[D];东南大学;2016年

2 宁博;面向行人检测的动态视觉词提取与集成分类方法研究[D];中国科学技术大学;2012年

3 周勇;智能车辆中的几个关键技术研究[D];上海交通大学;2007年

相关硕士学位论文 前10条

1 刘曰;基于组合毫米波雷达的智能车环境感知方法[D];烟台大学;2016年

2 陈国梅;上下文信息和颜色信息融合的目标跟踪算法研究[D];浙江师范大学;2016年

3 李帅;基于稠密时空上下文的目标跟踪算法研究[D];重庆大学;2016年

4 孙爱娟;基于双目立体视觉的客流计数系统设计[D];南京理工大学;2016年

5 王德飞;贝叶斯网络在软测量建模中的应用研究[D];南京邮电大学;2015年

6 杨松超;基于视频序列的交通违章监测系统设计[D];郑州大学;2015年

7 周衍超;基于视觉引导的机器人智能抓取技术研究[D];广东工业大学;2015年

8 庞成;基于测距雷达和机器视觉数据融合的前方车辆检测系统[D];东南大学;2015年

9 严思宁;基于信息融合的智能车辆前方目标识别技术研究[D];东南大学;2015年

10 刘永玲;基于ARM9和Linux的人脸识别系统的研究[D];北京交通大学;2013年

本文编号：2796326