【摘要】：汽車輔助駕駛技術(shù)一直是機(jī)器視覺領(lǐng)域中較為熱門的研究課題,而障礙物檢測(cè)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(cè)屬于障礙物檢測(cè)中的一個(gè)難點(diǎn),對(duì)障礙物的檢測(cè)工作帶來了較大的挑戰(zhàn)。本文針對(duì)這一問題進(jìn)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(cè)方法。具體研究?jī)?nèi)容包括以下幾個(gè)方面:首先,針對(duì)復(fù)雜城市道路,提出了基于K-Means的無監(jiān)督特征學(xué)習(xí)道路區(qū)域檢測(cè)方法。先對(duì)存在陰影的道路圖進(jìn)行去陰影處理,利用道路先驗(yàn)知識(shí)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(duì)預(yù)處理后的道路置信圖進(jìn)行特征學(xué)習(xí)。然后基于道路圖像位置信息對(duì)學(xué)習(xí)到的特征進(jìn)行打分,獲得得分較為靠前特征圖,并利用多閾值法對(duì)特征圖進(jìn)行分割,最終得到道路區(qū)域。然后,提出了基于改進(jìn)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(duì)得到的邊緣像素點(diǎn)根據(jù)梯度值和方向聚類成一個(gè)個(gè)邊緣組集合,然后利用邊緣組集合對(duì)候選邊界框進(jìn)行打分,并根據(jù)候選區(qū)域邊框內(nèi)的目標(biāo)輪廓數(shù)量進(jìn)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(duì)行人和車輛進(jìn)行檢測(cè)。將歸一化尺寸后的的目標(biāo)候選區(qū)域輸入到卷積神經(jīng)網(wǎng)絡(luò)中,輸出每個(gè)候選區(qū)域框?qū)?yīng)的特征向量,然后采用SVM分類算法對(duì)提取到的特征進(jìn)行分類處理,將待檢測(cè)目標(biāo)分出來。為了驗(yàn)證提出算法的性能,本文分別在三個(gè)道路數(shù)據(jù)集上對(duì)算法進(jìn)行了測(cè)試。實(shí)驗(yàn)結(jié)果表明:提出的道路檢測(cè)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(jìn)的目標(biāo)候選區(qū)域提取算法避免了用于訓(xùn)練模型花費(fèi)的時(shí)間,在VOC2007數(shù)據(jù)集上的測(cè)試結(jié)果顯示IoU為0.6下召回率仍在80%左右;同時(shí),本文成功地將改進(jìn)的目標(biāo)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(shí)現(xiàn)對(duì)復(fù)雜道路場(chǎng)景下障礙物的檢測(cè)。
【學(xué)位授予單位】：燕山大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：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(dāng)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(duì)智能車的研究，可以追溯到二十世紀(jì)八十年，代表國家有美國、日本和德國，因?yàn)樗麄儗?duì)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(duì)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(jìn)展[3]。美國國防高級(jí)研究計(jì)劃局首先開始使用雷達(dá)、相機(jī)及其它多種傳感器進(jìn)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(dòng)駕駛技術(shù)的智能車 Google X，該智能車通過攝像機(jī)、雷達(dá)傳感器和激光測(cè)距儀來實(shí)現(xiàn)對(duì)道路環(huán)境的識(shí)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(dá)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(duì)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(jìn)行全自動(dòng)駕清華大學(xué)研發(fā)出多功能室外智能移動(dòng)機(jī)器人實(shí)驗(yàn)平臺(tái) THMR-V，該平臺(tái)能校高速公路車道分界線的快速視覺檢測(cè)以及部分輔助駕駛等功能[11]等。

【相似文獻(xiàn)】

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(cè)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(yuǎn);;基于三維激光雷達(dá)的無人車障礙物檢測(cè)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(cè)算法[J];汽車實(shí)用技術(shù);2018年04期

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

5 張晴晴;林強(qiáng)強(qiáng);;盲道區(qū)域中障礙物的視覺檢測(cè)方法[J];價(jià)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(cè)方法及其農(nóng)業(yè)應(yīng)用研究進(jìn)展[J];農(nóng)業(yè)工程學(xué)報(bào);2018年09期

7 方崇全;;基于激光掃描雷達(dá)的礦井機(jī)車障礙物檢測(cè)方法研究[J];煤礦機(jī)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(cè)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(cè)與跟蹤[J];軍事交通學(xué)院學(xué)報(bào);2018年02期

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

相關(guān)會(huì)議論文 前5條

1 項(xiàng)志宇;;針對(duì)越野自主導(dǎo)航的障礙物檢測(cè)系統(tǒng)[A];2005全國自動(dòng)化新技術(shù)學(xué)術(shù)交流會(huì)論文集（二）[C];2005年

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

3 田立國;丁航;劉s

本文編號(hào)：2793525