基于图像和点云融合的无人驾驶场景下的目标检测与定位系统

发布时间：2021-07-11 16:09

　　随着人工智能近几年迅猛蓬勃的发展,无人驾驶这个话题被各大企业、学者甚至是普通民众所关注着。然而在如何实现无人驾驶这个目标上,有着两种截然不同的方式:一种是以传统车企采用的渐进式方法,从现在现有的辅助驾驶系统出发,逐渐增加自动转向,主动预防碰撞等等功能,达到有条件的无人驾驶,最终在成本和相关技术到达一定要求的时候,进而完成无人驾驶;另外一种是以高科技IT企业为代表的公司,它们选择“一步到位”的方式,直接达到无人驾驶的终极目标。但是后者选择的这条技术路线,更加具有挑战性和风险性。对此,就需要创新的算法和高效鲁棒的系统来支撑。在这种需求之下,目标检测与定位就显得尤为重要,因为这相当于汽车可以“眼”观八方,为无人驾驶系统接下来的决策规划提供了大量的有用信息。鉴于以上原因,本文主要围绕应用于无人驾驶场景下的感知系统进行了研究。现阶段的自动驾驶汽车通常会配备多种传感器来协同感知周围的环境,而摄像头和LiDAR（激光测距定位雷达系统）又是其中最常用到的。基于此,经过对现有的相关工作进行研究和剖析,我们提出了一种图像和点云数据相融合的目标检测和定位系统,本系统的核心是一个基于深度学习的端到端的网络框架... 

【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

图１－１?ＡｌｅｘＮｅｔ网络架构图［８］??

山东大学硕士学位论文??选区域进行特征提取，图１－３详细展示了?ＨＯＧ［２０］算法的流程，第三个模块使用训??练好的分类器，如支持向量机（ＳＶＭ）、随机森林（ＲａｎｄｏｍＦｏｒｅｓｔ）、线性回归（Ｌｉｎｅａｒ??Ｒｅｇｒｅｓｓｉｏｎ），进行目标类别的判断，有时也会通过级联多种分类器（Ａｄａｂｏｏｓｔ［２１］）通??过投票的方式来决定目标物体最终类别，以达到更好的准确率。其中由??Ｆｅｌｚｅｎｓｚｗａｌｂ于２００８年提出的ＤＰＭ［２２］算法最为经典，它是对ＨＯＧ［２〇］算法的大??幅改进，核心思想主要是利用了物体的局部特征对整体的贡献，例如人体的头部基??本都是位于胳膊、腹部、腿部的上面，这些不同部件的距离和位置关系通常都符合??一个标准分布，有了各个部件的特征和它们的位置关系之后，便可以根据这些信息??来判断是否为目标物体

要哪些必要的模块。??１．系统流程设计??根据上一章的需求分析，单个样本输入系统并处理完成的流程如图３－２所示：??（１）？系统运行??（２）．输入二维图像，交给二维检测器进行目标检测。并判断图像中是否存在目??标物体。若存在，则进入步骤（３），否则系统结束。??（３）．拿到图像上的结果之后，根据目标包围盒生成对应的视锥点云数据。并判??断视锥中是否有点云数据，若有，则进入步骤（４），否则进入步骤（６）。??（４）．将有点云数据的视锥传给图像－点云融合分割网络进行前、背景分割，并判??断是否存在有效点云数据，即扫描的点云是有目标物体返回得到。若存在??有效数据，则进入步骤（５），否则进入步骤（６）。??（５）．当此步骤接收到上一步骤传来的视锥点云数据

【参考文献】：
期刊论文
[1]车载驾驶辅助系统及其深度学习与视觉技术[J]. 陈天殷.  汽车电器. 2018(12)
[2]深度学习在无人驾驶汽车领域应用的研究进展[J]. 王科俊,赵彦东,邢向磊.  智能系统学报. 2018(01)
[3]自动驾驶汽车感知系统关键技术综述[J]. 王艺帆.  汽车电器. 2016(12)
[4]无人驾驶汽车的发展现状及方向[J]. 乔维高,徐学进.  上海汽车. 2007(07)
[5]无人驾驶的拖拉机[J]. 泽边.  山东农机化. 1997(04)
[6]无人驾驶拖拉机将提高农民收入[J].   农机推广. 1996(01)
[7]国外军用无人驾驶车辆简析[J]. 来恩华.  现代兵器. 1987(01)
[8]初露头角的无人驾驶汽车[J]. 宋世春.  国外自动化. 1980(04)
[9]无人驾驶自动搬运车[J]. 毛泽民,郑时声.  起重运输机械. 1979(01)

硕士论文
[1]机器视觉与毫米波雷达融合的前方车辆检测方法研究[D]. 谭力凡.湖南大学 2018
[2]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]. 庞成.东南大学 2015
[3]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



本文编号：3278415