基于立体视觉的车载环境建模方法研究

发布时间：2022-01-28 01:22

　　现阶段人工智能的迅速发展对汽车行业产生了巨大的影响,汽车行业正在向更加智能,更加清洁、更加安全的方向发展。其中无人驾驶车辆发展对于提高交通安全、社会效益、经济效益具有重要意义。本文针对车辆的交通场景,基于立体视觉传感器对车辆环境的几何信息、语义信息、状态信息进行建模计算,并且将其三者融合构建语义地图,为无人驾驶车辆行为决策奠定基础。首先,针对环境中语义信息,基于紧凑型全卷积网络对交通场景进行像素级别的语义分割。同时,为提高语义分割的精确率,将深度图与彩色图相融合构建RGB-D四通道图像作为卷积神经网络的输入。语义分割的结果表明,所提出的网络具有良好的实时性和精度。所获得的语义图像为后续构建语义地图提供语义信息。然后,针对ORB-SLAM2中地图信息不够丰富、地图可用性不足的缺点,提出一种语义SLAM方法,在原ORB-SLAM2的基础上提出了稠密地图构建线程,基于立体视觉对车辆进行准确定位的同时,对环境进行几何建模,将几何信息与之前获得语义信息相融合构建语义地图,实现可行驶区域和障碍物区分,并且通过数据集实验以及实车实验验证了算法的有效性和普适性。最后,在构建语义地图的基础上,估计语义地... 

【文章来源】：大连理工大学辽宁省211工程院校985工程院校教育部直属院校

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景和意义
    1.2 研究动态与现状
        1.2.1 SLAM研究现状
        1.2.2 语义理解研究现状
        1.2.3 语义 SLAM 研究现状
    1.3 本文主要研究内容
2基于全卷积网络的语义分割方法
    2.1 引言
    2.2 卷积神经网络
    2.3 全卷积神经网络设计
    2.4 网络训练
    2.5 基于立体视觉的视差图获取
    2.6 实验结果与分析
        2.6.1 样本库建立
        2.6.2 网络训练与测试
    2.7 本章小结
3 基于立体视觉的语义SLAM方法
    3.1 引言
    3.2 语义SLAM方法设计
    3.3 Stereo-ORB-SLAM模块
        3.3.1 ORB特征点
        3.3.2 追踪线程
        3.3.3 局部地图构建线程
        3.3.4 回环检测线程
    3.4 语义理解模块
        3.4.1 稠密地图构建
        3.4.2 八叉树地图构建
    3.5 实验结果分析
        3.5.1 构建数据集
        3.5.2 ORB特征点匹配验证
        3.5.3 SLAM以及回环检测结果
        3.5.4 语义地图构建结果
    3.6 本章小结
4 基于深度学习的移动车辆状态估计方法研究
    4.1 引言
    4.2 系统整体框架
    4.3 车辆检测
    4.4 车辆跟踪
        4.4.1 光流跟踪
        4.4.2 融合算法
    4.5 车辆状态估计
    4.6 实验结果分析
        4.6.1 车辆检测实验结果
        4.6.2 光流跟踪实验结果
        4.6.3 车辆位姿计算结果
    4.7 本章小结
5 总结与展望
    5.1 总结
    5.2 展望
参考文献
攻读硕士学位期间发表学术论文情况
致谢


【参考文献】：
期刊论文
[1]深度学习在语音识别中的研究进展综述[J]. 侯一民,周慧琼,王政一.  计算机应用研究. 2017(08)
[2]基于图优化的同时定位与地图创建综述[J]. 梁明杰,闵华清,罗荣华.  机器人. 2013(04)
[3]基于立体视觉平面单应性的智能车辆可行驶道路边界检测[J]. 郭春钊,山部尚孝,三田诚一.  自动化学报. 2013(04)

硕士论文
[1]基于深度学习的交通场景理解方法研究[D]. 钱波.大连理工大学 2018
[2]基于立体视觉的车辆检测与运动估计方法研究[D]. 黄海洋.大连理工大学 2016



本文编号：3613427