隨著智能交通的發(fā)展,智能駕駛技術(shù)受到了廣泛的關(guān)注。其中,環(huán)境感知技術(shù)作為智能駕駛系統(tǒng)的基礎(chǔ),是智能駕駛技術(shù)研究的重點(diǎn)。環(huán)境感知系統(tǒng)由許多功能模塊組成,其中,障礙物識別是環(huán)境感知系統(tǒng)的關(guān)鍵功能,要求能夠?qū)Φ缆沸熊嚟h(huán)境中的各種障礙物（車輛、行人、自行車）進(jìn)行準(zhǔn)確的分類并獲取準(zhǔn)確的障礙物空間信息,同時(shí)還要有較高實(shí)時(shí)性。目前,大多數(shù)障礙物識別主要依靠激光雷達(dá)和視覺傳感器組成的環(huán)境感知平臺來完成,且已經(jīng)取得一定進(jìn)展。但是,在復(fù)雜交通環(huán)境下,激光雷達(dá)和視覺傳感器都會由于環(huán)境干擾而受到一定程度的影響,從而導(dǎo)致障礙物識別效果的下降,尤其是對于細(xì)節(jié)信息和小尺度障礙物的識別準(zhǔn)確率還遠(yuǎn)達(dá)不到智能駕駛系統(tǒng)的要求。如何充分利用兩類傳感器的優(yōu)勢,消除環(huán)境干擾,提高障礙物識別對各類障礙物特別是小尺度障礙物的識別準(zhǔn)確率,并能獲取準(zhǔn)確的障礙物空間信息,同時(shí)保持較高的系統(tǒng)實(shí)時(shí)性,是一個(gè)十分重要且具有挑戰(zhàn)性的問題。為了解決上述問題,本文展開了基于激光雷達(dá)和視覺傳感器融合的障礙物識別技術(shù)的研究。本文的主要研究內(nèi)容與工作有:（1）研究了基于激光雷達(dá)多特征融合的障礙物識別方法,該方法結(jié)合了道路區(qū)域、障礙物的形態(tài)特征和柵格分布規(guī)律... 

【文章來源】：東南大學(xué)江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【部分圖文】：

Velodyne64線激光雷達(dá)

基于激光雷達(dá)多特征融合的障礙物識別技術(shù)研究132.3.3柵格聚類完成柵格圖建立后，需將相鄰的障礙物占有柵格進(jìn)行聚類。根據(jù)激光雷達(dá)點(diǎn)云和柵格圖的分布特征，應(yīng)選取基于密度分布的聚類方法，本章使用一種基于密度的空間聚類方法（Density-BasedSpatialClusteringofApplicationswithNoise,DBSCAN）[52]。DBSCAN聚類算法的具體過程為：記r是半徑參數(shù)，minPts是鄰域密度閾值，RDBSCAN={ri,i=1,…N}是基于密度的聚類結(jié)果，其中ri是聚類結(jié)果的標(biāo)簽，柵格gi和gj之間的歐氏距離為Dij，則DBSCAN的算法步驟如下：Step1:初始化。標(biāo)記所有的柵格gi為未訪問，ri=i；Step2:對于任一的柵格gi，如果gi未訪問，則根據(jù)Dij<r找出所有的gj，構(gòu)成gi的領(lǐng)域集合ηi，如果ηi中的點(diǎn)數(shù)量小于minPts，則記gi為噪聲點(diǎn)；如果gi已訪問到，則轉(zhuǎn)到Step3；Step3:對于所有的gk∈ηi，如果gk未訪問，則根據(jù)Dkj<r找出所有的gj，把gj加入gi的領(lǐng)域集合ηi，如果gk已訪問，則rk=ri，轉(zhuǎn)到Step2。DBSCAN聚類算法可以聚類出任意類別的稠密簇，且只有半徑參數(shù)r和領(lǐng)域密度閾值minPts兩個(gè)參數(shù)。本章在使用DBSCAN算法對柵格進(jìn)行聚類時(shí)，考慮到柵格的分布形式，使用了如表2.1所示的參數(shù)設(shè)置：表2.1DBSCAN參數(shù)設(shè)置柵格大�。ɡ迕祝﹔minPtsG2G1圖2-5展示了圖2-4中柵格圖聚類的結(jié)果，從圖中可以看出每個(gè)柵格都可以被正確地聚類。(a)柵格圖(b)聚類效果圖2-5柵格聚類效果圖

基于激光雷達(dá)多特征融合的障礙物識別技術(shù)研究15顯然，非機(jī)動(dòng)車與機(jī)動(dòng)車的縱向高度輪廓存在顯著區(qū)別，并且通過縱向高度輪廓，可以區(qū)分機(jī)動(dòng)車和一些其他障礙物。高度長度圖2-6縱向高度示意圖3、寬高比一般來說，非機(jī)動(dòng)車（如行人）的寬高比遠(yuǎn)小于機(jī)動(dòng)車，因此通過計(jì)算候選目標(biāo)簇的寬高比3()WfH作為特征向量的第三部分。4、直角特征如圖2-7所示，在實(shí)際情況中，大多數(shù)車輛的柵格簇呈L型分布，因此L型分布的候選柵格簇有很大的可能是車輛，而非機(jī)動(dòng)車一般不具備這個(gè)特點(diǎn)。因此，可以通過計(jì)算柵格簇邊緣的最大斜率4max(cur_slop,)ijijggggyyfxx作為特征向量的第四部分。其中，cur_slop為當(dāng)前最大斜率，(,)iiggxy為當(dāng)前選中柵格的坐標(biāo)，i=1,..,gn,gn為候選目標(biāo)柵格簇內(nèi)的柵格數(shù)量，(,)jjggxy為當(dāng)前選中柵格四鄰域內(nèi)的其中一個(gè)柵格的坐標(biāo)，j≠i。圖2-7五種典型車輛柵格簇本章所設(shè)計(jì)的特征向量還包含了反射率特征，分別為：5、反射率方差、平均值對于激光雷達(dá)傳感器來說，其點(diǎn)云的反射率強(qiáng)度跟物體的材質(zhì)和顏色有關(guān)，金屬的反射率一般遠(yuǎn)大于非金屬的反射率，機(jī)動(dòng)車一般是金屬外殼，反射率較大，非機(jī)動(dòng)車如

【參考文獻(xiàn)】：
期刊論文
[1]多傳感器融合的智能車定位導(dǎo)航系統(tǒng)設(shè)計(jì)[J]. 李磊,肖世德,李興坤,董慶豐.  工程設(shè)計(jì)學(xué)報(bào). 2019(02)
[2]深度學(xué)習(xí)分類網(wǎng)絡(luò)研究及其在計(jì)算機(jī)視覺中的應(yīng)用[J]. 王一幃.  通訊世界. 2019(03)
[3]基于深度圖的三維激光雷達(dá)點(diǎn)云目標(biāo)分割方法[J]. 范小輝,許國良,李萬林,王茜竹,常亮亮.  中國激光. 2019(07)
[4]無人駕駛產(chǎn)業(yè)發(fā)展現(xiàn)狀及影響[J]. 郭英楠,殷宗迪.  中國國情國力. 2019(03)
[5]基于尾燈的夜間前方車輛檢測與跟蹤方法[J]. 于莉媛,郭云雷,牛萍娟,劉大利,劉雷,羅德智.  天津工業(yè)大學(xué)學(xué)報(bào). 2019(01)
[6]基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像語義分割[J]. 劉希.  信息技術(shù). 2019(02)
[7]中國乘用車ADAS市場發(fā)展趨勢淺析[J]. 趙津,杜志彬,張慶余,趙鵬超.  時(shí)代汽車. 2019(02)
[8]自動(dòng)駕駛環(huán)境感知系統(tǒng)研究[J]. 郝俊.  時(shí)代汽車. 2018(09)
[9]自動(dòng)駕駛關(guān)鍵技術(shù)與產(chǎn)業(yè)發(fā)展態(tài)勢研究[J]. 宮慧琪,牛芳.  信息通信技術(shù)與政策. 2018(08)
[10]道路交通運(yùn)輸安全發(fā)展報(bào)告（2017）[J]. Matthias Gsul,胡予紅,周旋,寧丙文,米建英,劉佳,王光遠(yuǎn),王靜,董晨,張露丹.  中國應(yīng)急管理. 2018(02)

碩士論文
[1]基于激光掃描雷達(dá)的自動(dòng)駕駛技術(shù)研究[D]. 李趙.北方工業(yè)大學(xué) 2018
[2]基于毫米波雷達(dá)和機(jī)器視覺的夜間前方車輛檢測研究[D]. 程蕾.吉林大學(xué) 2016
[3]基于深度圖像繪制中的空洞填充[D]. 曹東華.重慶大學(xué) 2016
[4]基于三維激光雷達(dá)的實(shí)時(shí)目標(biāo)檢測[D]. 程健.浙江大學(xué) 2014
[5]復(fù)雜環(huán)境下基于多特征融合的車輛檢測方法研究[D]. 雷章明.華東交通大學(xué) 2013
[6]基于雷達(dá)與相機(jī)的無人駕駛智能車障礙物檢測技術(shù)研究[D]. 張雙喜.長安大學(xué) 2013
[7]基于雷達(dá)和機(jī)器視覺的車輛前方障礙物檢測系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D]. 黃偉.武漢理工大學(xué) 2010



本文編號：3303244