基于激光雷达和机器视觉的智能车前方障碍物检测研究
发布时间：2021-03-06 23:55
近几年来,利用多传感器数据融合技术在智能车检测行车环境障碍物信息方面,大多都是在白天光照条件良好等条件下进行的,但对于雾天和夜间的障碍物检测则研究较少,且存在障碍物识别准确性和可靠性低等问题。本文基于激光雷达和机器视觉数据融合的方法对智能车前方障碍物进行检测,研究低对比度图像增强方法以及寻找更合理的数据融合算法,提高智能车检测障碍物的准确性和鲁棒性。本文的主要研究内容有:首先,基于激光雷达在车辆直行时障碍物检测,提出在检测周期内,设置车辆横向距离阈值法来判定目标车辆是否位于同一车道内,并基于卡尔曼滤波法对目标物的有效性进行验证和基于生命周期法对目标进行决策;基于机器视觉障碍物检测提出采用AdaBoost算法对原始图像进行训练,对正负样本的权重重新分配,获得许多弱分类器,并最终组合成强分类器,得到较好的识别效果。其次,建立车体坐标系,分别对雷达和相机进行标定,将空间任意一点转换到图像坐标系中。提出使用中值滤波对原始图像进行去噪和改进的单尺度Retinex算法对图像进行增强,提高图像的辨识度和目标轮廓的完整度。再次,使用Dempster-Shafer证据理论对雷达和相机采集的信息进行数据融...
【文章来源】：哈尔滨理工大学黑龙江省
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
毫米波雷达检测目标Fig.1-1Millimeterwaveradardetectiontarget
a) 激光雷达识别目标 b) 激光雷达检测区域图 1-2 激光雷达检测Fig. 1-2 Lidar detectionPeng Y 提出了一种基于二维激光雷达的高效障碍物检测和避障算法。通过对激光点云数据进行滤波和聚类来获取障碍物信息的方法，该方法基于最小代价函数原理生成机器人的前向角和速度。在 MATLAB 仿真平台上验证了该算法的有效性[14]。Fei Y 等人为了有效地检测和跟踪大量数据下的障碍物，提出了一种基于激光雷达的动态未知环境下实时多重障碍物检测和跟踪的方法，该算法首先根据从图像处理中获得的道路车道信息将激光雷达数据的感兴趣区域转换为网格图，然后使用区域标注和模板匹配来检测网格上的箱模型障碍物。为了避免误报或错过匹配，采用多个假设跟踪和卡尔曼滤波进行障碍物跟踪。该方法可以准确地检测障碍物，并在自主车辆上每帧 100 毫秒内稳定跟踪[15]。Cong P 等人提出了一种使用单个激光雷达的户外移动机器人自适应障碍物检测方法。该方法首先从原始传感器数据中提取线段，然后估计每个时刻扫描的路面的高度和矢量，随后，基于每个线段的平均高度以及线段与从先前测量
Fuerstenberg 和 Dietmayer 针对智能车行驶过程中的行人辨别与车辆跟踪问题，提出了一种基于多层激光雷达检测技术的方法，其根据障碍物轮廓特征使用矩形和点模型表示障碍物，并依据人类下肢的举止状态和外形轮廓特征进行判断[18]。该方法虽然可以完成既定任务，但存在检测角度较小、易受外部因素影响等缺陷。Liu Z 等人提出了基于三维激光雷达的道路边界检测算法。基于道路区域与非道路区域的高度跳跃特征，首先， 提取可转移区域，然后利用线性判别分析（LDA）分类将得到的屏障网格图分为左右两个最佳非道路区域，然后拟合道路边界信息[19]。测试结果表明，该边界检测算法相当可靠，能够准确完成边界检测任务，能够满足实时系统的要求。1.2.2 基于机器视觉的前方障碍物检测机器视觉相较于测距雷达，能够准确的提取目标的三维轮廓，具有探测范围广、道路信息完整、可遥测的优势，在无人驾驶车中是非常重要的传感器[20]，机器视觉检测目标如图 1-3 所示。
【参考文献】：
期刊论文
[1]中国汽车保有量增长大环境下停车场的现状与创新[J]. 汪卓然,石伟华,殷月园,董金林. 产业与科技论坛. 2017(11)
[2]无人驾驶汽车应用与发展现状分析[J]. 马硕. 汽车与驾驶维修(维修版). 2017(04)
[3]基于无人驾驶技术的图像处理[J]. 周呈,陈忠位,金鑫,秦海鹏. 信息化研究. 2017(01)
[4]改进的Retinex低照度图像光照补偿算法[J]. 肖晓,张健. 电子设计工程. 2017(04)
[5]应用直方图均衡化实现图像增强[J]. 余廷忠,夏仁强,胡如会. 贵州工程应用技术学院学报. 2016(02)
[6]改进的直方图均衡化和NSCT变换的红外图像增强[J]. 曹美,程亚玲,盛惠兴,仇春春,俞楷. 应用科技. 2016(02)
[7]关于直方图均衡化算法在图像灰度处理中的应用研究[J]. 周海珍,熊登峰. 科技创新与应用. 2015(32)
[8]结合直方图均衡和模糊集理论的红外图像增强[J]. 云海姣,吴志勇,王冠军,刘雪超,梁敏华. 计算机辅助设计与图形学学报. 2015(08)
[9]基于小波变换的图像增强的实现研究[J]. 郭奇,吕晓光. 传感器世界. 2015(03)
[10]基于MATLAB下中值滤波算法的图像增强[J]. 王赛男. 智能计算机与应用. 2014(06)
博士论文
[1]智能机器人视觉信息处理及数据融合方法研究[D]. 原新.哈尔滨工程大学 2004
[2]基于激光雷达的移动机器人障碍检测和自定位[D]. 项志宇.浙江大学 2002
硕士论文
[1]基于机器视觉和毫米波雷达的夜间车辆识别[D]. 郭云雷.天津工业大学 2018
[2]基于毫米波雷达和机器视觉的前方车辆检测研究[D]. 丁洪正.哈尔滨理工大学 2018
[3]车载全景视觉系统中相机标定方法的研究[D]. 胡诗卉.武汉大学 2017
[4]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
[5]基于雷达和机器视觉融合的前方车辆障碍物检测[D]. 那田.合肥工业大学 2016
[6]基于毫米波雷达与机器视觉融合的前方车辆检测研究[D]. 王亚丽.吉林大学 2013
[7]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
[8]基于雷达的智能车多目标检测与跟踪技术研究[D]. 赵万里.中南大学 2011
[9]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
[10]一种基于小波神经网络的低对比度图像增强方法[D]. 于辰飞.电子科技大学 2006
本文编号：3068054
【文章来源】：哈尔滨理工大学黑龙江省
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
毫米波雷达检测目标Fig.1-1Millimeterwaveradardetectiontarget
a) 激光雷达识别目标 b) 激光雷达检测区域图 1-2 激光雷达检测Fig. 1-2 Lidar detectionPeng Y 提出了一种基于二维激光雷达的高效障碍物检测和避障算法。通过对激光点云数据进行滤波和聚类来获取障碍物信息的方法，该方法基于最小代价函数原理生成机器人的前向角和速度。在 MATLAB 仿真平台上验证了该算法的有效性[14]。Fei Y 等人为了有效地检测和跟踪大量数据下的障碍物，提出了一种基于激光雷达的动态未知环境下实时多重障碍物检测和跟踪的方法，该算法首先根据从图像处理中获得的道路车道信息将激光雷达数据的感兴趣区域转换为网格图，然后使用区域标注和模板匹配来检测网格上的箱模型障碍物。为了避免误报或错过匹配，采用多个假设跟踪和卡尔曼滤波进行障碍物跟踪。该方法可以准确地检测障碍物，并在自主车辆上每帧 100 毫秒内稳定跟踪[15]。Cong P 等人提出了一种使用单个激光雷达的户外移动机器人自适应障碍物检测方法。该方法首先从原始传感器数据中提取线段，然后估计每个时刻扫描的路面的高度和矢量，随后，基于每个线段的平均高度以及线段与从先前测量
Fuerstenberg 和 Dietmayer 针对智能车行驶过程中的行人辨别与车辆跟踪问题，提出了一种基于多层激光雷达检测技术的方法，其根据障碍物轮廓特征使用矩形和点模型表示障碍物，并依据人类下肢的举止状态和外形轮廓特征进行判断[18]。该方法虽然可以完成既定任务，但存在检测角度较小、易受外部因素影响等缺陷。Liu Z 等人提出了基于三维激光雷达的道路边界检测算法。基于道路区域与非道路区域的高度跳跃特征，首先， 提取可转移区域，然后利用线性判别分析（LDA）分类将得到的屏障网格图分为左右两个最佳非道路区域，然后拟合道路边界信息[19]。测试结果表明，该边界检测算法相当可靠，能够准确完成边界检测任务，能够满足实时系统的要求。1.2.2 基于机器视觉的前方障碍物检测机器视觉相较于测距雷达，能够准确的提取目标的三维轮廓，具有探测范围广、道路信息完整、可遥测的优势，在无人驾驶车中是非常重要的传感器[20]，机器视觉检测目标如图 1-3 所示。
【参考文献】：
期刊论文
[1]中国汽车保有量增长大环境下停车场的现状与创新[J]. 汪卓然,石伟华,殷月园,董金林. 产业与科技论坛. 2017(11)
[2]无人驾驶汽车应用与发展现状分析[J]. 马硕. 汽车与驾驶维修(维修版). 2017(04)
[3]基于无人驾驶技术的图像处理[J]. 周呈,陈忠位,金鑫,秦海鹏. 信息化研究. 2017(01)
[4]改进的Retinex低照度图像光照补偿算法[J]. 肖晓,张健. 电子设计工程. 2017(04)
[5]应用直方图均衡化实现图像增强[J]. 余廷忠,夏仁强,胡如会. 贵州工程应用技术学院学报. 2016(02)
[6]改进的直方图均衡化和NSCT变换的红外图像增强[J]. 曹美,程亚玲,盛惠兴,仇春春,俞楷. 应用科技. 2016(02)
[7]关于直方图均衡化算法在图像灰度处理中的应用研究[J]. 周海珍,熊登峰. 科技创新与应用. 2015(32)
[8]结合直方图均衡和模糊集理论的红外图像增强[J]. 云海姣,吴志勇,王冠军,刘雪超,梁敏华. 计算机辅助设计与图形学学报. 2015(08)
[9]基于小波变换的图像增强的实现研究[J]. 郭奇,吕晓光. 传感器世界. 2015(03)
[10]基于MATLAB下中值滤波算法的图像增强[J]. 王赛男. 智能计算机与应用. 2014(06)
博士论文
[1]智能机器人视觉信息处理及数据融合方法研究[D]. 原新.哈尔滨工程大学 2004
[2]基于激光雷达的移动机器人障碍检测和自定位[D]. 项志宇.浙江大学 2002
硕士论文
[1]基于机器视觉和毫米波雷达的夜间车辆识别[D]. 郭云雷.天津工业大学 2018
[2]基于毫米波雷达和机器视觉的前方车辆检测研究[D]. 丁洪正.哈尔滨理工大学 2018
[3]车载全景视觉系统中相机标定方法的研究[D]. 胡诗卉.武汉大学 2017
[4]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
[5]基于雷达和机器视觉融合的前方车辆障碍物检测[D]. 那田.合肥工业大学 2016
[6]基于毫米波雷达与机器视觉融合的前方车辆检测研究[D]. 王亚丽.吉林大学 2013
[7]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
[8]基于雷达的智能车多目标检测与跟踪技术研究[D]. 赵万里.中南大学 2011
[9]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
[10]一种基于小波神经网络的低对比度图像增强方法[D]. 于辰飞.电子科技大学 2006
本文编号：3068054
本文链接：https://www.wllwen.com/kejilunwen/qiche/3068054.html
