基于多源信息融合的目标跟踪方法研究

发布时间：2023-04-03 18:45

　　现如今,智能驾驶辅助系统已经成为提高汽车行驶安全的关键技术之一,其中用于环境感知的传感器技术受到越来越多的关注。由于生产技术和自身条件的限制,单传感器在实际应用过程中有时会出现对目标漏检和误检的情况,这样会严重干扰系统对目标的有效判断,因此,联合传感器间的优势进行信息融合的技术成为了国内外学者研究的热点。本文采用毫米波雷达与摄像头组合的方式作为环境信息检测工具,建立了分布式融合架构,通过对采集的目标数据的筛选、检测和识别,将来自不同传感器的轨迹相互关联并融合以获取目标轨迹,为驾驶员的主动避撞决策提供实时、准确的行车环境信息。研究内容如下:(1)筛选毫米波雷达数据,初步确定有效目标。首先对雷达数据进行了预处理,主要是对空信号、静止目标和无效目标进行了筛选和剔除,然后结合同车道有效目标的判断方法,对相邻车道的非危险目标进行了滤除,获取初选目标,最后通过生命周期检验方法进一步验证目标存在的有效性,并建立卡尔曼滤波模型对数据信息进行滤波处理,降低噪声的干扰。(2)基于机器视觉的前方车辆检测方法研究。本文采用Haar-like方法提取车辆特征,同时利用积分法加快对特征值的计算速度,基于这些特征值...

【文章页数】：79 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 课题研究背景
    1.2 研究意义
    1.3 国内外研究现状
        1.3.1 国外研究现状
        1.3.2 国内研究现状
    1.4 研究现状总结
    1.5 本文主要内容
第二章 基于毫米波雷达的车辆识别方法研究
    2.1 毫米波雷达特征及选型
    2.2 毫米波雷达有效目标初选
        2.2.1 雷达数据预处理
        2.2.2 同车道有效目标判断
    2.3 目标有效性检验及基于卡尔曼滤波的数据处理
        2.3.1 目标有效性检验
        2.3.2 基于卡尔曼滤波的数据处理
    2.4 试验验证
        2.4.1 目标有效性验证
        2.4.2 卡尔曼滤波算法验证
    2.5 本章小结
第三章 基于视觉的目标检测及追踪算法研究
    3.1 前方车辆特征提取
        3.1.1 Haar-like特征
        3.1.2 积分图的计算
    3.2 基于Haar-like特征的AdaBoost算法
        3.2.1 基于Haar-like特征的弱分类器构建
        3.2.2 基于AdaBoost算法的强分类器构建
        3.2.3 建立级联分类器
    3.3 基于无迹卡尔曼滤波算法的车辆跟踪
    3.4 基于摄像头的车辆目标检测试验验证
        3.4.1 图像预处理
        3.4.2 训练分类器和正负样本集
        3.4.3 分类器测试
    3.5 本章小结
第四章 基于毫米波雷达和摄像头的多传感器信息融合模型
    4.1 多传感器空间融合
        4.1.1 毫米波雷达坐标系与世界坐标系转换
        4.1.2 世界坐标系与像素坐标系转换
    4.2 求取空间融合参数
        4.2.1 摄像头标定
        4.2.2 雷达与摄像头的联合标定
    4.3 多传感器时间同步
    4.4 基于雷达与摄像头融合的目标识别算法
        4.4.1 目标数据匹配
        4.4.2 基于改进的无迹信息融合算法
    4.5 融合算法仿真验证
    4.6 本章小结
第五章 多传感器仿真平台搭建及实车验证
    5.1 搭建多传感仿真实验平台
        5.1.1 试验平台概述
        5.1.2 仿真场景设计
        5.1.3 仿真试验分析
    5.2 实车验证
        5.2.1 传感器安装
        5.2.2 试验平台搭建
        5.2.3 实车试验验证
    5.3 本章小结
第六章 工作总结与展望
    6.1 工作总结
    6.2 工作展望
参考文献
致谢
攻读硕士期间发表的论文



本文编号：3780946