【摘要】：隨著汽車保有量持續(xù)增長(zhǎng),汽車工業(yè)面臨的能源衰竭、環(huán)境污染、交通擁堵和事故傷亡等問題日益嚴(yán)峻。智能汽車作為解決以上問題的有效途徑,近年來已取得了階段性成效。基于視覺的智能汽車環(huán)境感知系統(tǒng)作為智能汽車決策規(guī)劃的基礎(chǔ)環(huán)節(jié),通過感知車輛周圍環(huán)境狀況并進(jìn)行目標(biāo)識(shí)別和跟蹤,對(duì)實(shí)現(xiàn)對(duì)車輛的最優(yōu)路徑規(guī)劃與決策控制發(fā)揮著重要作用。近年來,環(huán)境感知相關(guān)研究已經(jīng)成為智能汽車領(lǐng)域研究熱點(diǎn)。文章主要研究?jī)?nèi)容如下:(1)針對(duì)相機(jī)與激光傳感器通訊問題,通過Socket通訊實(shí)現(xiàn)傳感器與計(jì)算機(jī)的數(shù)據(jù)傳輸;為了得到單目相機(jī)內(nèi)外參數(shù)與目標(biāo)距離評(píng)估,使用張氏標(biāo)定法對(duì)單目相機(jī)進(jìn)行內(nèi)外參數(shù)進(jìn)行標(biāo)定,最終利用相機(jī)參數(shù)實(shí)現(xiàn)各個(gè)坐標(biāo)系之間的圖像變換。(2)針對(duì)交通場(chǎng)景中障礙車輛目標(biāo)檢測(cè)問題,考慮其剛性目標(biāo)外形相對(duì)穩(wěn)定,選擇Hog特征對(duì)車輛目標(biāo)進(jìn)行特征提取;考慮Boost分類器具備準(zhǔn)確率高、不易過擬合以及計(jì)算量小等優(yōu)點(diǎn),選擇Boost算法建立用于車輛檢測(cè)的分類器;為了提高車輛檢測(cè)實(shí)時(shí)性,采用了ROI提取與變尺度滑動(dòng)窗口的方式對(duì)圖像進(jìn)行快速掃描,以確定車輛在圖像序列中的位置。(3)針對(duì)城市交通場(chǎng)景中行人目標(biāo)檢測(cè)問題,考慮其外觀、行為以及姿態(tài)多變,使用積分通道特征(ACF)對(duì)行人進(jìn)行不同層次的特征提取;為了降低行人檢測(cè)中的誤檢率與檢測(cè)時(shí)間,采取Boost分類器級(jí)聯(lián)方式,對(duì)行人目標(biāo)進(jìn)行級(jí)聯(lián)過濾;使用圖像金字塔對(duì)圖像進(jìn)行上下采樣,最終實(shí)現(xiàn)對(duì)圖像序列中不同尺寸的行人進(jìn)行檢測(cè)。(4)為了提高目標(biāo)檢測(cè)準(zhǔn)確率,預(yù)測(cè)目標(biāo)軌跡和目標(biāo)行為,提出基于時(shí)空上下文的多目標(biāo)跟蹤算法。多目標(biāo)跟蹤算法以目標(biāo)檢測(cè)位置信息為跟蹤輸入,以目標(biāo)的時(shí)空上下文模型為基礎(chǔ)尋找目標(biāo)在圖像中最大響應(yīng)位置;在此基礎(chǔ)上,為了提高多目標(biāo)跟蹤實(shí)時(shí)性,使用傅里葉變換將圖像轉(zhuǎn)換到頻域進(jìn)行計(jì)算,并對(duì)目標(biāo)的位置信息進(jìn)行聚類關(guān)聯(lián)提取目標(biāo)的軌跡信息。
【圖文】：

計(jì)算機(jī)視覺圖 2-1 常用智能汽車2.1 視覺傳感器通訊方式視覺傳感器是本文研究目標(biāo)檢測(cè)與集輸入設(shè)備，與計(jì)算機(jī)時(shí)刻保持順利通訊與計(jì)算機(jī)的通訊方式普遍采用以太網(wǎng)通訊機(jī)，，相機(jī)參數(shù)如表 2.1 所示，圖 2-3 表示

Focal Length: fc = [ 1689.73448 1689.73448 ]Principal point: cc = [ 399.50000 299.50000 ]Skew: alpha_c = [ 0.00000 ] => angle of pixel = 90.00000 degreesDistortion: kc = [ 0.00000 0.00000 0.00000 0.00000 0.00000 ]Focal Length: fc = [ 1439.97732 1445.86941 ] ± [ 17.18057 17.17452 ]Principal point: cc = [ 409.54104 304.95538 ] ± [ 6.79220 5.29131 ]Skew: alpha_c = [ 0.00000 ] ± [ 0.00000 ] => angle of pixel axes = 90.00000 ± 0.00000degreesDistortion: kc = [ -0.31869 0.80356 -0.00057 0.00219 0.00000 ] ± [ 0.01657 0.221470.00066 0.00048 0.00000 ]Pixel error: err = [ 0.18201 0.15311 ]初始化內(nèi)參內(nèi)參標(biāo)定結(jié)果外參標(biāo)定結(jié)果外參(相機(jī)坐標(biāo)系為中心)外參(世界坐標(biāo)系為中心)角點(diǎn)網(wǎng)格投影錯(cuò)誤100 200 300 400 500 600 700 800200300400500600dX100 200 300 400 500 600 700 800200300400500600dX100 200 300 400 500 600 700 800200300400500600
【學(xué)位授予單位】：重慶交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：U463.6

【參考文獻(xiàn)】

相關(guān)期刊論文 前8條

1 高文;朱明;賀柏根;吳笑天;;目標(biāo)跟蹤技術(shù)綜述[J];中國(guó)光學(xué);2014年03期

2 張春鳳;宋加濤;王萬良;;行人檢測(cè)技術(shù)研究綜述[J];電視技術(shù);2014年03期

3 周鑫;錢秋朦;葉永強(qiáng);王從慶;;改進(jìn)后的TLD視頻目標(biāo)跟蹤方法[J];中國(guó)圖象圖形學(xué)報(bào);2013年09期

4 盧清華;吳志偉;范彥斌;;基于顏色和紋理的運(yùn)動(dòng)車輛陰影檢測(cè)算法[J];測(cè)試技術(shù)學(xué)報(bào);2013年02期

5 陳志猛;劉東權(quán);;基于對(duì)稱性的快速車輛檢測(cè)方法[J];計(jì)算機(jī)工程與設(shè)計(jì);2012年03期

6 姚雪琴;李曉華;周激流;;基于邊緣對(duì)稱性和HOG的行人檢測(cè)方法[J];計(jì)算機(jī)工程;2012年05期

7 齊美彬;潘燕;張銀霞;;基于車底陰影的前方運(yùn)動(dòng)車輛檢測(cè)[J];電子測(cè)量與儀器學(xué)報(bào);2012年01期

8 郭烈;王榮本;張明恒;金立生;;基于Adaboost算法的行人檢測(cè)方法[J];計(jì)算機(jī)工程;2008年03期

本文編號(hào)：2657156