基于视觉与雷达信息融合的障碍物检测识别方法研究
发布时间：2021-08-07 16:23
本文以车辆环境感知系统中的障碍物检测识别方法为研究对象,由于单传感器获取信息量必然存在一定的不足,本文采用机器视觉与毫米波雷达信息融合的技术路线实现车辆前方障碍物检测识别,主要工作有:（1）在分析毫米波雷达测量环境的基础上,以同车道最近准则作为雷达有效目标初选的依据。针对目标跟踪中系统噪声的统计特性未知或时变的问题,结合传统的Sage-Husa自适应滤波算法和平方根滤波思想,提出改进的线性自适应平方根卡尔曼滤波算法实现目标状态预估,仿真结果验证了算法的精确性和稳定性。在有效目标一致性检验的基础上,采用生命周期算法进行有效目标决策。（2）在传统SSD算法的网络模型中引入反卷积模块,从而充分利用网络的上下文信息,实验验证了改进算法的有效性。通过与其他不同算法的实验对比,验证了改进算法具有更高的精确率和更好的实时性。（3）建立毫米波雷达坐标系、摄像机坐标系、世界坐标系、图像坐标系、图像像素坐标系间的转换关系。利用张正友标定法求解摄像机内外参数和畸变参数,结合畸变校正公式对理想线性模型进行非线性畸变校正。在实现雷达和摄像机信息融合的基础上,将毫米波雷达探测到的目标投影至同步图像上并建立动态感兴...
【文章来源】：南京理工大学江苏省 211工程院校
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
车辆矩形特征
讨谐盗局芪Х岣坏幕肪承畔⒈热缜胺?车道线、障碍物、交通信号灯等目标信息，其他传感器对这些信息的表征能力远远不及视觉传感器的图像表征能力，因此，视觉传感器在障碍物检测识别研究领域有着不可或缺的应用[2]。基于视觉的障碍物检测方法分为基于图像特征提取的方法和基于机器学习与深度学习的方法两大类。（1）基于图像特征提取的方法基于图像特征提取的方法可以实现对车辆前方障碍物的检测，比如行人和车辆就都具有明显的几何特征，在正常的光照条件下，行人具有人体边缘特征，车辆具有如图1.1所示的外观矩形特征、如图1.2所示的底部阴影特征、对称性特征以及轮廓边界特征。基于这些单一特征的检测方法精度受光照影响较大，尤其是底部阴影特征，因此鲁棒性不强，目前基于特征的检测方法通常会将几种特征融合使用。图1.1车辆矩形特征图1.2底部阴影特征国外，基于视觉的障碍物检测研究起步较早，参与研究的有谷歌深度学习实验室、德国慕尼黑国防大学、意大利帕尔马大学AlbertoBroggi教授领导的计算机视觉课题组等[3]。德国慕尼黑国防大学与奔驰汽车公司联合开发了VaMP试验车，该车的视觉系统主要包括道路检测跟踪和障碍物检测跟踪两个模块。国内，清华大学汽车安全与节能国家重点实验室李克强教授领导的智能辅助驾驶课题组，运用了基于车辆阴影特征与边缘特征融合的方法实现汽车前方车辆障碍物的检测[4]。北京理工大学的陈思忠教授、王宝锋等人，通过对雷达产生的图像感兴趣区域（RegionOfInterest，ROI）进行对称性分析得到了车辆对称中心，并基于底部阴影特征和轮廓边界特征实现对车辆障碍物的检测，最后根据逆透视变换获得的车辆识别宽度，结合常见车型的宽度对检测结果进行验证[5]。（2）基于机器学习与深度学习的方法自20世纪80年代?
。2006年，加拿大多伦多大学的GeoffreyHinton教授在权威期刊《科学》上发表了深度置信网络，提出了深度学习的概念，将机器学习研究推向了一个新的高潮[11]。国外，麻省理工大学、谷歌人工智能实验室以及汽车驾驶辅助系统的以色列供应商Mobileye公司在基于深度学习的障碍物检测领域发展较快。国内，百度成立了自动驾驶事业部，利用公司深厚的人工智能底蕴，与宝马公司合作完成了自动驾驶的实车路试，BrodyHuval，TaoWang等人在文献[12]中利用卷积神经网络（ConvolutionalNeuralNetwork，CNN）实现车道线和障碍物检测，效果如图1.3所示。国内，中国人民解放军理工大学的TingRui等人[13]提出了基于浅层CNN与Adaboost分类器相结合的前车识别算法，该算法被证明有较好的鲁棒性，但是计算量较大。图1.3百度车道线和车辆检测效果1.2.2基于毫米波雷达的障碍物检测研究现状毫米波雷达使用30~300GHz频域的毫米波，穿透雾、烟、灰尘的能力较强，能够全天时全天候稳定工作，可以准确获取障碍物与雷达的相对距离、速度、角度信息，同时，毫米波雷达相比其他的雷达传感器，具有成本较低、体积孝便于安装等优势。因此近年来，毫米波雷达率先成为汽车安全辅助驾驶系统和自动驾驶的主要传感器，在障碍物检测领域获得了快速的发展和广泛的应用。国外关于车载毫米波雷达的研究起步较早，博世（BOSCH）、大陆（Continental）、德尔福（DELPHI）、电装（DENSO）、天合（TRW）等汽车零部件供应商以及奔驰、福
【参考文献】：
期刊论文
[1]采用HOG特征和机器学习的行人检测方法[J]. 陈丽枫,王佳斌,郑力新. 华侨大学学报(自然科学版). 2018(05)
[2]基于毫米波雷达的汽车防碰撞预警系统有效目标的识别[J]. 李振. 北京汽车. 2018(02)
[3]基于深度学习的水面无人船前方船只图像识别方法[J]. 王贵槐,谢朔,初秀民,洛天骄. 船舶工程. 2018(04)
[4]基于像素点的机器视觉系统能力评价[J]. 施亮星,王洁. 工业工程. 2018(02)
[5]道路交通事故的成因和地区分布特点研究[J]. 孔质彬,刘翔,秦文玉,秦军灵. 中国社会医学杂志. 2018(01)
[6]基于视觉和毫米波雷达的车道级定位方法[J]. 赵翔,杨明,王春香,王冰. 上海交通大学学报. 2018(01)
[7]基于深度学习的多视窗SSD目标检测方法[J]. 唐聪,凌永顺,郑科栋,杨星,郑超,杨华,金伟. 红外与激光工程. 2018(01)
[8]一种基于Faster R-CNN的车辆检测算法[J]. 韩凯,张红英,王远,徐敏. 西南科技大学学报. 2017(04)
[9]基于深度学习的目标检测算法综述[J]. 周晓彦,王珂,李凌燕. 电子测量技术. 2017(11)
[10]基于多信息融合的可驾驶道路检测算法[J]. 朱振文,周莉,刘建,陈杰. 计算机工程与设计. 2017(05)
博士论文
[1]用于越野自主导航车的激光雷达与视觉融合方法研究[D]. 刘大学.国防科学技术大学 2009
[2]汽车纵向主动避撞系统的研究[D]. 侯德藻.清华大学 2004
硕士论文
[1]基于雷达与图像信息融合的路面目标识别与应用[D]. 陆怡悦.南京理工大学 2017
[2]汽车前方车辆识别的雷达和视觉信息融合算法开发[D]. 陈晓伟.吉林大学 2016
[3]监控视频中的车型识别技术研究[D]. 程丽霞.广东工业大学 2016
[4]基于数据关联算法的汽车主动防撞预警系统多目标跟踪研究[D]. 李秋燕.吉林大学 2015
[5]基于双目视觉的焦点定位方法研究与应用[D]. 曹之乐.重庆理工大学 2015
[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]高维数据的分类器集成方法研究[D]. 周井泉.重庆大学 2013
[8]图像处理的数码相机定位技术的研究与实现[D]. 康健.安徽理工大学 2009
本文编号：3328128
【文章来源】：南京理工大学江苏省 211工程院校
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
车辆矩形特征
讨谐盗局芪Х岣坏幕肪承畔⒈热缜胺?车道线、障碍物、交通信号灯等目标信息，其他传感器对这些信息的表征能力远远不及视觉传感器的图像表征能力，因此，视觉传感器在障碍物检测识别研究领域有着不可或缺的应用[2]。基于视觉的障碍物检测方法分为基于图像特征提取的方法和基于机器学习与深度学习的方法两大类。（1）基于图像特征提取的方法基于图像特征提取的方法可以实现对车辆前方障碍物的检测，比如行人和车辆就都具有明显的几何特征，在正常的光照条件下，行人具有人体边缘特征，车辆具有如图1.1所示的外观矩形特征、如图1.2所示的底部阴影特征、对称性特征以及轮廓边界特征。基于这些单一特征的检测方法精度受光照影响较大，尤其是底部阴影特征，因此鲁棒性不强，目前基于特征的检测方法通常会将几种特征融合使用。图1.1车辆矩形特征图1.2底部阴影特征国外，基于视觉的障碍物检测研究起步较早，参与研究的有谷歌深度学习实验室、德国慕尼黑国防大学、意大利帕尔马大学AlbertoBroggi教授领导的计算机视觉课题组等[3]。德国慕尼黑国防大学与奔驰汽车公司联合开发了VaMP试验车，该车的视觉系统主要包括道路检测跟踪和障碍物检测跟踪两个模块。国内，清华大学汽车安全与节能国家重点实验室李克强教授领导的智能辅助驾驶课题组，运用了基于车辆阴影特征与边缘特征融合的方法实现汽车前方车辆障碍物的检测[4]。北京理工大学的陈思忠教授、王宝锋等人，通过对雷达产生的图像感兴趣区域（RegionOfInterest，ROI）进行对称性分析得到了车辆对称中心，并基于底部阴影特征和轮廓边界特征实现对车辆障碍物的检测，最后根据逆透视变换获得的车辆识别宽度，结合常见车型的宽度对检测结果进行验证[5]。（2）基于机器学习与深度学习的方法自20世纪80年代?
。2006年，加拿大多伦多大学的GeoffreyHinton教授在权威期刊《科学》上发表了深度置信网络，提出了深度学习的概念，将机器学习研究推向了一个新的高潮[11]。国外，麻省理工大学、谷歌人工智能实验室以及汽车驾驶辅助系统的以色列供应商Mobileye公司在基于深度学习的障碍物检测领域发展较快。国内，百度成立了自动驾驶事业部，利用公司深厚的人工智能底蕴，与宝马公司合作完成了自动驾驶的实车路试，BrodyHuval，TaoWang等人在文献[12]中利用卷积神经网络（ConvolutionalNeuralNetwork，CNN）实现车道线和障碍物检测，效果如图1.3所示。国内，中国人民解放军理工大学的TingRui等人[13]提出了基于浅层CNN与Adaboost分类器相结合的前车识别算法，该算法被证明有较好的鲁棒性，但是计算量较大。图1.3百度车道线和车辆检测效果1.2.2基于毫米波雷达的障碍物检测研究现状毫米波雷达使用30~300GHz频域的毫米波，穿透雾、烟、灰尘的能力较强，能够全天时全天候稳定工作，可以准确获取障碍物与雷达的相对距离、速度、角度信息，同时，毫米波雷达相比其他的雷达传感器，具有成本较低、体积孝便于安装等优势。因此近年来，毫米波雷达率先成为汽车安全辅助驾驶系统和自动驾驶的主要传感器，在障碍物检测领域获得了快速的发展和广泛的应用。国外关于车载毫米波雷达的研究起步较早，博世（BOSCH）、大陆（Continental）、德尔福（DELPHI）、电装（DENSO）、天合（TRW）等汽车零部件供应商以及奔驰、福
【参考文献】：
期刊论文
[1]采用HOG特征和机器学习的行人检测方法[J]. 陈丽枫,王佳斌,郑力新. 华侨大学学报(自然科学版). 2018(05)
[2]基于毫米波雷达的汽车防碰撞预警系统有效目标的识别[J]. 李振. 北京汽车. 2018(02)
[3]基于深度学习的水面无人船前方船只图像识别方法[J]. 王贵槐,谢朔,初秀民,洛天骄. 船舶工程. 2018(04)
[4]基于像素点的机器视觉系统能力评价[J]. 施亮星,王洁. 工业工程. 2018(02)
[5]道路交通事故的成因和地区分布特点研究[J]. 孔质彬,刘翔,秦文玉,秦军灵. 中国社会医学杂志. 2018(01)
[6]基于视觉和毫米波雷达的车道级定位方法[J]. 赵翔,杨明,王春香,王冰. 上海交通大学学报. 2018(01)
[7]基于深度学习的多视窗SSD目标检测方法[J]. 唐聪,凌永顺,郑科栋,杨星,郑超,杨华,金伟. 红外与激光工程. 2018(01)
[8]一种基于Faster R-CNN的车辆检测算法[J]. 韩凯,张红英,王远,徐敏. 西南科技大学学报. 2017(04)
[9]基于深度学习的目标检测算法综述[J]. 周晓彦,王珂,李凌燕. 电子测量技术. 2017(11)
[10]基于多信息融合的可驾驶道路检测算法[J]. 朱振文,周莉,刘建,陈杰. 计算机工程与设计. 2017(05)
博士论文
[1]用于越野自主导航车的激光雷达与视觉融合方法研究[D]. 刘大学.国防科学技术大学 2009
[2]汽车纵向主动避撞系统的研究[D]. 侯德藻.清华大学 2004
硕士论文
[1]基于雷达与图像信息融合的路面目标识别与应用[D]. 陆怡悦.南京理工大学 2017
[2]汽车前方车辆识别的雷达和视觉信息融合算法开发[D]. 陈晓伟.吉林大学 2016
[3]监控视频中的车型识别技术研究[D]. 程丽霞.广东工业大学 2016
[4]基于数据关联算法的汽车主动防撞预警系统多目标跟踪研究[D]. 李秋燕.吉林大学 2015
[5]基于双目视觉的焦点定位方法研究与应用[D]. 曹之乐.重庆理工大学 2015
[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]高维数据的分类器集成方法研究[D]. 周井泉.重庆大学 2013
[8]图像处理的数码相机定位技术的研究与实现[D]. 康健.安徽理工大学 2009
本文编号：3328128
本文链接：https://www.wllwen.com/kejilunwen/qiche/3328128.html
