基于图像和激光雷达点云数据融合的非结构化道路识别

发布时间：2021-03-21 08:00

　　无人驾驶汽车作为智能车最终的发展方向,它的安全行驶依赖对周围环境的准确理解。现实环境中,存在大量道路特征不明显的非结构化道路区域,基于道路模型的道路识别方法具有一定的局限性。基于可通行区域的像素级别的区域分割可以很好避免模型假设带来的局限性。通过对获得的数据进行像素级别的语义分割,划分出图像中的可通行区域,对于道路识别尤其是非结构化道路识别具有重要意义,可以为智能车提供准确的可通行区域,提高智能车行驶的安全性。本文提出了一种基于深度学习和数据融合的非结构化道路识别算法,主要目的是提取出道路的可通行范围,具体的过程为:（1）对KITTI数据集进行预处理,得到训练用的图片和标签,对点云进行多余点筛选和空间投影。（2）建立FCN-8s模型,利用处理后的数据训练模型,得到用于分割的深度学习模型并进行分割和特征提取。（3）利用处理后的点云,根据高度信息和横向信息分割出落在路面上的点云,之后利用alphaShapes算法提取出点云的边界,通过判断像素是否在边界内来获得道路分割。（4）利用深度学习得到的数据和点云的分割结果,构建马尔科夫随机场模型,并利用迭代条件峰值算法求解能量函数的全局最小值,能量... 

【文章来源】：燕山大学河北省

【文章页数】：82 页

【学位级别】：硕士

【部分图文】：

本文技术路线图

KITTI采集车

g) um_000049 文件筛选前的点云高度图 h) um_000049 文件筛选后的点云高度图i) um_000086 文件筛选前的点云高度图 j) um_000086 文件筛选后的点云高度图图 2-5 点云筛选结果T=Prect×Rrect×Trv2c(2-5)式中 使不同相机共平面的投影矩阵; 使图像共平面的旋转矩阵;

【参考文献】：
期刊论文
[1]基于多线激光雷达的非结构化道路感知技术研究[J]. 李宁,郭江华,蓝伟.  车辆与动力技术. 2017(03)
[2]基于PCA-SVM准则改进区域生长的非结构化道路识别[J]. 王新晴,孟凡杰,吕高旺,任国亭.  计算机应用. 2017(06)
[3]基于DCNN的图像语义分割综述[J]. 魏云超,赵耀.  北京交通大学学报. 2016(04)
[4]深度学习研究综述[J]. 尹宝才,王文通,王立春.  北京工业大学学报. 2015(01)
[5]迁移学习研究进展[J]. 庄福振,罗平,何清,史忠植.  软件学报. 2015(01)
[6]基于MATLAB图像处理的非结构化道路识别[J]. 吕艳鹏,潘玉田.  机械工程与自动化. 2014(02)
[7]车载激光扫描数据的结构化道路自动提取方法[J]. 方莉娜,杨必胜.  测绘学报. 2013(02)
[8]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正.  计算机应用研究. 2012(08)
[9]基于图割的图像分割方法及其新进展[J]. 刘松涛,殷福亮.  自动化学报. 2012(06)
[10]利用Alpha Shapes算法提取离散点轮廓线[J]. 周飞.  湖北广播电视大学学报. 2010(02)

博士论文
[1]应用于智能车的车道信息感知及增量建模技术研究[D]. 于泳.吉林大学 2018
[2]智能车行车环境视觉感知关键技术研究[D]. 梁敏健.长安大学 2017
[3]异质数据融合的道路场景语义理解[D]. 黄文琦.浙江大学 2015
[4]基于概率图模型的场景理解方法研究[D]. 毛凌.电子科技大学 2013
[5]基于水平集方法的图像分割关键技术研究[D]. 林颖.哈尔滨工程大学 2010

硕士论文
[1]基于激光雷达与摄像机的车辆辅助驾驶技术研究[D]. 王帅.吉林大学 2018
[2]基于立体视觉的区域交通智能车障碍物检测方法研究[D]. 冯兴恩.大连理工大学 2018
[3]深度语义同时定位与建图[D]. 严超华.浙江大学 2018
[4]基于LiDAR的高速公路平整度评价及行驶质量衰减规律研究[D]. 贾龙超.长安大学 2017
[5]基于卷积神经网络的图像语义分割[D]. 陈鸿翔.浙江大学 2016
[6]基于红外图像的非结构化道路识别[D]. 苏晓琳.东北大学 2015
[7]基于LiDAR数据提取建筑物顶面轮廓线方法研究[D]. 刘士程.西南交通大学 2012
[8]地面三维激光扫描数据处理及建模研究[D]. 高志国.长安大学 2010
[9]基于机器视觉道路识别技术的研究[D]. 丁俊进.武汉理工大学 2007



本文编号：3092513