發(fā)布時間：2020-08-14 20:44

【摘要】：汽車輔助駕駛技術(shù)一直是機器視覺領(lǐng)域中較為熱門的研究課題,而障礙物檢測是汽車輔助駕駛技術(shù)的關(guān)鍵,為汽車安全行駛提供了重要保障。由于城市道路,特別是鬧市區(qū),周圍環(huán)境較為復(fù)雜,因此復(fù)雜城市道路障礙物的檢測屬于障礙物檢測中的一個難點,對障礙物的檢測工作帶來了較大的挑戰(zhàn)。本文針對這一問題進行深入研究,提出了基于邊緣的復(fù)雜城市道路障礙物檢測方法。具體研究內(nèi)容包括以下幾個方面:首先,針對復(fù)雜城市道路,提出了基于K-Means的無監(jiān)督特征學(xué)習道路區(qū)域檢測方法。先對存在陰影的道路圖進行去陰影處理,利用道路先驗知識和直方圖歸一化方法提取道路置信區(qū)域,采用K-Means聚類算法對預(yù)處理后的道路置信圖進行特征學(xué)習。然后基于道路圖像位置信息對學(xué)習到的特征進行打分,獲得得分較為靠前特征圖,并利用多閾值法對特征圖進行分割,最終得到道路區(qū)域。然后,提出了基于改進的Edge-Boxes障礙物候選區(qū)域提取方法。算法基于梯度信息獲取圖像的邊緣,對得到的邊緣像素點根據(jù)梯度值和方向聚類成一個個邊緣組集合,然后利用邊緣組集合對候選邊界框進行打分,并根據(jù)候選區(qū)域邊框內(nèi)的目標輪廓數(shù)量進行障礙物候選區(qū)域提取。最后,利用卷積神經(jīng)網(wǎng)絡(luò)對行人和車輛進行檢測。將歸一化尺寸后的的目標候選區(qū)域輸入到卷積神經(jīng)網(wǎng)絡(luò)中,輸出每個候選區(qū)域框?qū)?yīng)的特征向量,然后采用SVM分類算法對提取到的特征進行分類處理,將待檢測目標分出來。為了驗證提出算法的性能,本文分別在三個道路數(shù)據(jù)集上對算法進行了測試。實驗結(jié)果表明:提出的道路檢測算法有著較高的魯棒性,精確率與召回率分別在84%、90%以上;改進的目標候選區(qū)域提取算法避免了用于訓(xùn)練模型花費的時間,在VOC2007數(shù)據(jù)集上的測試結(jié)果顯示IoU為0.6下召回率仍在80%左右;同時,本文成功地將改進的目標候選區(qū)域算法與卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合,在KITTI數(shù)據(jù)集上能夠有效地實現(xiàn)對復(fù)雜道路場景下障礙物的檢測。
【學(xué)位授予單位】：燕山大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP391.41;U463.6
【圖文】：

圖 1-1 復(fù)雜城市環(huán)境下障礙物類型1.2 國內(nèi)外研究現(xiàn)狀當汽車配有各種傳感器，通過它們來感知周圍的駕駛環(huán)境（行駛道路、障礙物等信息）并做出相應(yīng)的反饋（控制車輛的車速或方向），這樣的車輛就稱為智能車。對智能車的研究，可以追溯到二十世紀八十年，代表國家有美國、日本和德國，因為他們對智能車研究的投入，使得智能車研究得到了較快的發(fā)展，比如對汽車輔助駕駛系統(tǒng)以及無人車駕駛系統(tǒng)都有了突破型的進展[3]。美國國防高級研究計劃局首先開始使用雷達、相機及其它多種傳感器進行道路環(huán)境的感知，這也是如今大多數(shù)智能車輛所采用的方法[4]。谷歌公司于 2012 年 4 月 1 日向全世界展示了他們使用自動駕駛技術(shù)的智能車 Google X，該智能車通過攝像機、雷達傳感器和激光測距儀來實現(xiàn)對道路環(huán)境的識別，并且配合高精度電子地圖作為行駛導(dǎo)航[5]。雷諾公司在智能車方面投入重資，研發(fā)出的智能車配備有道路感知系統(tǒng)，系統(tǒng)整合了紅外、雷達等相關(guān)技術(shù)[6]。

Google無人車

第 1 章 緒 論批開始研發(fā)無人駕駛汽車的互聯(lián)網(wǎng)公司，其與寶馬公司合作研發(fā)針對中國存在的困難問題，并在 2015 年下旬在國內(nèi)城市或高速公路上進行全自動駕清華大學(xué)研發(fā)出多功能室外智能移動機器人實驗平臺 THMR-V，該平臺能校高速公路車道分界線的快速視覺檢測以及部分輔助駕駛等功能[11]等。

【相似文獻】

相關(guān)期刊論文 前10條

1 李斌;;基于單目視覺的障礙物檢測方法研究[J];電子世界;2016年17期

2 謝德勝;徐友春;王任棟;蘇致遠;;基于三維激光雷達的無人車障礙物檢測與跟蹤[J];汽車工程;2018年08期

3 吳學(xué)易;李健明;劉佳浩;許豪;張緒祥;;一種基于激光及超聲波聯(lián)合的障礙物斜率檢測算法[J];汽車實用技術(shù);2018年04期

4 鮮敏;馬勇;鄭翔;;激光傳感器的機器人障礙物檢測研究[J];激光雜志;2017年09期

5 張晴晴;林強強;;盲道區(qū)域中障礙物的視覺檢測方法[J];價值工程;2019年09期

6 何勇;蔣浩;方慧;王宇;劉羽飛;;車輛智能障礙物檢測方法及其農(nóng)業(yè)應(yīng)用研究進展[J];農(nóng)業(yè)工程學(xué)報;2018年09期

7 方崇全;;基于激光掃描雷達的礦井機車障礙物檢測方法研究[J];煤礦機械;2018年08期

8 王榮本;趙一兵;李琳輝;張明恒;;智能車輛的障礙物檢測研究方法綜述[J];公路交通科技;2007年11期

9 陸峰;徐友春;李永樂;王任棟;王東敏;;基于多傳感器數(shù)據(jù)融合的障礙物檢測與跟蹤[J];軍事交通學(xué)院學(xué)報;2018年02期

10 方曉瑩;;一種基于3D的道路與障礙物檢測算法[J];浙江國際海運職業(yè)技術(shù)學(xué)院學(xué)報;2008年01期

相關(guān)會議論文 前5條

1 項志宇;;針對越野自主導(dǎo)航的障礙物檢測系統(tǒng)[A];2005全國自動化新技術(shù)學(xué)術(shù)交流會論文集（二）[C];2005年

2 蘇天楚;潘博;倪俊;;基于低線束雷達的低矮障礙物優(yōu)化檢測[A];2018中國汽車工程學(xué)會年會論文集[C];2018年

3 田立國;丁航;劉s

本文編號：2793525