【摘要】：隨著汽車保有量的急劇增加,交通安全問題日益突顯。駕駛行為建模是自主駕駛和車輛安全輔助駕駛的關(guān)鍵技術(shù)之一,對(duì)減少交通事故、提高交通安全具有重大的理論意義和應(yīng)用價(jià)值,本文圍繞基于視覺的駕駛行為建模的關(guān)鍵技術(shù)進(jìn)行了深入研究。論文的主要工作和創(chuàng)新點(diǎn)如下： (1)提出了一種基于序列圖像的交通場(chǎng)景三維重建方法。采用EM算法進(jìn)行靜態(tài)點(diǎn)集和基礎(chǔ)矩陣估計(jì),E步利用極線約束和基礎(chǔ)矩陣檢測(cè)交通場(chǎng)景中的靜態(tài)特征點(diǎn),M步根據(jù)靜態(tài)點(diǎn)采用8點(diǎn)法估計(jì)基礎(chǔ)矩陣；利用奇異值分解和絕對(duì)二次曲線約束估計(jì)投影矩陣；提出了基于PCA的交通運(yùn)動(dòng)場(chǎng)景點(diǎn)的重建方法,使用PCA確定軌跡基元,將運(yùn)動(dòng)場(chǎng)景點(diǎn)的軌跡看作是軌跡基元的線性組合,利用最小二乘法求得場(chǎng)景點(diǎn)的三維軌跡,實(shí)現(xiàn)交通運(yùn)動(dòng)場(chǎng)景點(diǎn)的重建。該方法省去了攝影重建的過程,大大減少了計(jì)算復(fù)雜度。實(shí)驗(yàn)結(jié)果表明了該方法的有效性。 (2)提出了基于協(xié)方差描述子的交通場(chǎng)景理解方法。為了克服基于單一特征的交通場(chǎng)景分割與識(shí)別的不足,采用交通場(chǎng)景的運(yùn)動(dòng)結(jié)構(gòu)特征、紋理和顏色特征,并利用協(xié)方差描述子進(jìn)行多特征融合,以消除特征冗余以及不同特征數(shù)值懸殊對(duì)圖像分割的影響；使用多類LogitBoost分類器進(jìn)行交通場(chǎng)景分割與識(shí)別。實(shí)驗(yàn)結(jié)果表明該方法有效地提高了交通場(chǎng)景分割與識(shí)別的效果。 (3)將視覺注意機(jī)制引入交通險(xiǎn)情的檢測(cè),提出了基于視覺注意力模型的交通險(xiǎn)情的檢測(cè)方法。為了提高檢測(cè)速度,采用半球形稀疏采樣法減少了計(jì)算量；使用貝葉斯概率模型和高斯核函數(shù)對(duì)交通視頻進(jìn)行非參數(shù)顯著性度量,分析視頻顯著性,采用多尺度顯著圖計(jì)算方法以提高檢測(cè)精度。實(shí)驗(yàn)結(jié)果表明該方法能有效檢測(cè)交通險(xiǎn)情。 (4)提出了基于貝葉斯模型的駕駛行為建模方法,以貝葉斯概率模型作為駕駛模型,根據(jù)交通場(chǎng)景和車輛自身的速度、位置信息,預(yù)測(cè)正常情況下的駕駛行為；利用稀疏貝葉斯學(xué)習(xí)方法對(duì)模型參數(shù)進(jìn)行估計(jì)。該模型實(shí)現(xiàn)了直行、變道、加速、減速等多種駕駛行為的預(yù)測(cè)。實(shí)驗(yàn)結(jié)果證明本文方法有較好的預(yù)測(cè)性能。 (5)提出了基于模糊規(guī)則的險(xiǎn)情駕駛行為建模方法。根據(jù)駕駛?cè)说慕?jīng)驗(yàn),建立了7種情況險(xiǎn)情駕駛行為模糊規(guī)則集,結(jié)合高斯函數(shù)和Sigmoid函數(shù)給出了混合型隸屬函數(shù),并利用C均值聚類法和梯度下降法對(duì)模糊規(guī)則模型參數(shù)進(jìn)行估計(jì)。實(shí)驗(yàn)結(jié)果證明該方法能很好的描述人的駕駛行為,可用于各種險(xiǎn)情的駕駛行為決策。
【圖文】：

1.3.2論文組織結(jié)構(gòu)根據(jù)研究內(nèi)容，全文共分六章，整體結(jié)構(gòu)如圖1-2所示：第一章緒論 i i i I i 第二章基于序列圖像交第三章基于協(xié)方差描述 第五章基于視覺的駕駛通場(chǎng)景三搖建 子的交通場(chǎng)景理解 ；力模型的又通險(xiǎn) 行為建模?靜態(tài)特征點(diǎn)檢測(cè) ?交通場(chǎng)景特征描述 ?駕駛建模的環(huán)境信息.投影矩陣估計(jì) .，

本文編號(hào)：2582670