【摘要】：交通事故頻發(fā)導(dǎo)致的財產(chǎn)損失和人員傷亡給人們生產(chǎn)生活帶來了嚴(yán)重影響。為了減少碰撞產(chǎn)生的交通事故,汽車主動安全避撞系統(tǒng)應(yīng)運而生,該系統(tǒng)根據(jù)裝在自車車身周圍的多種傳感器對自車行車環(huán)境實時監(jiān)控,避免因碰撞產(chǎn)生的交通事故,保證駕駛?cè)藛T安全。本文主要對自車前方目標(biāo)檢測進(jìn)行研究,根據(jù)安裝在車身上的雷達(dá)與視覺傳感器識別前方目標(biāo)類型,獲取前方目標(biāo)的運動狀態(tài),優(yōu)化了前方車輛檢測系統(tǒng)。對提高駕駛?cè)藛T安全,降低碰撞事故發(fā)生率具有重要意義。研究工作主要包括:(1)本文首先對國內(nèi)外行車環(huán)境感知的研究成果進(jìn)行分析與總結(jié)。結(jié)合研究現(xiàn)狀的優(yōu)缺點提出本文的研究方法以及思路,對聯(lián)合雷達(dá)與視覺傳感器的車輛檢測方案進(jìn)行設(shè)計,解決各傳感器間的空間和時間融合問題,實現(xiàn)系統(tǒng)功能。(2)對基于毫米波雷達(dá)的檢測系統(tǒng)進(jìn)行設(shè)計。分析毫米波雷達(dá)基本工作原理,對本文選取的Delphi ESR毫米波雷達(dá)獲取的數(shù)據(jù)信息進(jìn)行處理,依據(jù)設(shè)置的同車道閾值y_0濾除無效信息并進(jìn)行目標(biāo)初選;根據(jù)在有限時間內(nèi)汽車的運動狀態(tài)變化有一定的上下限這一情況,將初選目標(biāo)與有效目標(biāo)的運動狀態(tài)進(jìn)行對比判斷初選目標(biāo)是否有效,該方法通過對目標(biāo)的角度?_k,位移d_k和速度v_k閾值進(jìn)行設(shè)定濾除虛假目標(biāo);利用生命周期算法,設(shè)置目標(biāo)三個時期的運動狀態(tài),消除因自車俯仰和橫擺等原因?qū)τ行繕?biāo)選取產(chǎn)生的干擾;對獲取的數(shù)據(jù)采取濾波處理減少數(shù)據(jù)噪聲,為自動緊急制動系統(tǒng)等一系列主動安全避撞系統(tǒng)提供有效的參考數(shù)據(jù)。(3)對基于視覺傳感器的目標(biāo)識別追蹤系統(tǒng)進(jìn)行設(shè)計。采用Haar-like矩形特征作為識別圖像中車輛的依據(jù);使用積分圖計算方法縮短矩形特征中計算特征值的運算時間;根據(jù)Adaboost算法將有效矩形特征值構(gòu)建的弱分類器加權(quán)組成強(qiáng)分類器,其中弱分類器基于樣本圖片中的特征值獲得;再將每個強(qiáng)分類器組成級聯(lián)分類器進(jìn)行目標(biāo)檢測,通過對誤檢率的關(guān)注,提升級聯(lián)分類器的性能;引入時空上下文快速跟蹤算法對檢測出的車輛目標(biāo)進(jìn)行跟蹤,通過計算求取適合的形狀參數(shù)?,提高識別追蹤的準(zhǔn)確率。相比于視覺跟蹤分解方法(VTD)、布點場式跟蹤方法(DF)以及壓縮跟蹤方法(CT)三種檢測算法,本文方法在檢測成功率上平均提高了8.9%,最大可達(dá)17.53%;漏檢率平均降低了11.46%,最大可達(dá)16.06%;誤差率方面也有所改善;單幀識別耗時45.7ms滿足避撞性能要求。(4)解決雷達(dá)與視覺傳感器之間因安裝坐標(biāo)不統(tǒng)一以及采集數(shù)據(jù)時間點不對應(yīng)使數(shù)據(jù)無法融合的問題。研究攝像機(jī)、雷達(dá)、世界坐標(biāo)系的變換關(guān)系,通過矩陣旋轉(zhuǎn)、向量平移等方法實現(xiàn)坐標(biāo)系間的空間融合;對鏡頭畸變的原因進(jìn)行分析并進(jìn)行畸變校正;采用線程同步方法解決傳感器采集信息時,時間點不一致的問題。最后對模型進(jìn)行驗證。(5)對本文設(shè)計的傳感器融合識別追蹤系統(tǒng)進(jìn)行模擬駕駛儀仿真以及實車驗證。開展基于6自由度QJ-4B動感型模擬駕駛儀的仿真試驗,通過仿真對本文設(shè)計的系統(tǒng)進(jìn)行穩(wěn)定性測試,在效果良好的基礎(chǔ)上再進(jìn)行實車驗證。結(jié)果表明,該方法可以完成前方車輛的實時檢測,滿足主動安全避撞對識別率和實時性的要求。
【學(xué)位授予單位】：江蘇大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：U463.6
【圖文】：

江 蘇 大 學(xué) 碩 士 學(xué) 位 論 文第一章 緒論課題研究背景與意義 研究背景據(jù)公安部交管局統(tǒng)計，截止 2017 年 6 月底，全國汽車保有量突破 2.05 增長了 11.8%[1]。圖 1.1 是公安部交管局統(tǒng)計的這些年中國汽車數(shù)據(jù)變圖中可以看出同比增長雖然剛開始有下降趨勢，但后期變化幅度趨于車保有量一直增加。

受益于傳感器技術(shù)、汽車電子技術(shù)和現(xiàn)代通信技術(shù)的迅猛發(fā)展，先進(jìn)駕駛輔助系統(tǒng)得到了廣泛重視，圖 1.2 展示了目前先進(jìn)駕駛輔助系統(tǒng)架構(gòu)，車輛在行駛過程中基于車上安裝的多種傳感器設(shè)備（多功能攝像頭、毫米波雷達(dá)等），隨時采集車內(nèi)外道路環(huán)境數(shù)據(jù)，比如自車狀態(tài)（車速等），周邊道路環(huán)境信息（周邊車輛狀態(tài)、車道線等信息），ECU 對這些信息進(jìn)行篩選、檢測以及識別，并與高精地圖數(shù)據(jù)相結(jié)合，開展系統(tǒng)的計算分析，向執(zhí)行器發(fā)出控制指令。通過執(zhí)行機(jī)構(gòu)輔助駕駛員操作，從而減輕駕駛員負(fù)擔(dān)并提醒駕駛者潛在的危險，改善車輛駕駛過程的安全舒適性。

益于傳感器技術(shù)、汽車電子技術(shù)和現(xiàn)代通信技術(shù)的迅猛發(fā)展，先進(jìn)駕駛得到了廣泛重視，圖 1.2 展示了目前先進(jìn)駕駛輔助系統(tǒng)架構(gòu)，車輛在行基于車上安裝的多種傳感器設(shè)備（多功能攝像頭、毫米波雷達(dá)等），隨內(nèi)外道路環(huán)境數(shù)據(jù)，比如自車狀態(tài)（車速等），周邊道路環(huán)境信息（周態(tài)、車道線等信息），ECU 對這些信息進(jìn)行篩選、檢測以及識別，并與數(shù)據(jù)相結(jié)合，開展系統(tǒng)的計算分析，向執(zhí)行器發(fā)出控制指令。通過執(zhí)行駕駛員操作，從而減輕駕駛員負(fù)擔(dān)并提醒駕駛者潛在的危險，改善車輛的安全舒適性。

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 徐建強(qiáng);陸耀;;一種基于加權(quán)時空上下文的魯棒視覺跟蹤算法[J];自動化學(xué)報;2015年11期

2 高振海;王竣;佟靜;李紅建;郭章勇;婁方明;;車載毫米波雷達(dá)對前方目標(biāo)的運動狀態(tài)估計[J];吉林大學(xué)學(xué)報(工學(xué)版);2014年06期

3 郭君斌;王建強(qiáng);易世春;李克強(qiáng);;基于單目視覺的夜間前方車輛檢測方法[J];汽車工程;2014年05期

4 王曉輝;程健慶;韓瑜;;基于改進(jìn)模型的攝像機(jī)標(biāo)定[J];電子測量技術(shù);2013年12期

5 王建強(qiáng);張�；�;;基于Matlab工具箱的攝像機(jī)標(biāo)定[J];實驗室研究與探索;2013年06期

6 雷蕾;王曉丹;;基于損失函數(shù)的AdaBoost改進(jìn)算法[J];計算機(jī)應(yīng)用;2012年10期

7 高德芝;段建民;于宏嘯;;基于激光雷達(dá)和攝像機(jī)的前方車輛檢測[J];北京工業(yè)大學(xué)學(xué)報;2012年09期

8 文學(xué)志;方巍;鄭鈺輝;;一種基于類Haar特征和改進(jìn)AdaBoost分類器的車輛識別算法[J];電子學(xué)報;2011年05期

9 高德章;;大地坐標(biāo)系與投影坐標(biāo)系[J];物探化探計算技術(shù);2011年01期

10 沈志熙;黃席樾;楊鎮(zhèn)宇;韋金明;;基于Boosting的智能車輛多類障礙物識別[J];計算機(jī)工程;2009年14期

相關(guān)博士學(xué)位論文 前3條

1 范延軍;基于機(jī)器視覺的先進(jìn)輔助駕駛系統(tǒng)關(guān)鍵技術(shù)研究[D];東南大學(xué);2016年

2 寧博;面向行人檢測的動態(tài)視覺詞提取與集成分類方法研究[D];中國科學(xué)技術(shù)大學(xué);2012年

3 周勇;智能車輛中的幾個關(guān)鍵技術(shù)研究[D];上海交通大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 劉曰;基于組合毫米波雷達(dá)的智能車環(huán)境感知方法[D];煙臺大學(xué);2016年

2 陳國梅;上下文信息和顏色信息融合的目標(biāo)跟蹤算法研究[D];浙江師范大學(xué);2016年

3 李帥;基于稠密時空上下文的目標(biāo)跟蹤算法研究[D];重慶大學(xué);2016年

4 孫愛娟;基于雙目立體視覺的客流計數(shù)系統(tǒng)設(shè)計[D];南京理工大學(xué);2016年

5 王德飛;貝葉斯網(wǎng)絡(luò)在軟測量建模中的應(yīng)用研究[D];南京郵電大學(xué);2015年

6 楊松超;基于視頻序列的交通違章監(jiān)測系統(tǒng)設(shè)計[D];鄭州大學(xué);2015年

7 周衍超;基于視覺引導(dǎo)的機(jī)器人智能抓取技術(shù)研究[D];廣東工業(yè)大學(xué);2015年

8 龐成;基于測距雷達(dá)和機(jī)器視覺數(shù)據(jù)融合的前方車輛檢測系統(tǒng)[D];東南大學(xué);2015年

9 嚴(yán)思寧;基于信息融合的智能車輛前方目標(biāo)識別技術(shù)研究[D];東南大學(xué);2015年

10 劉永玲;基于ARM9和Linux的人臉識別系統(tǒng)的研究[D];北京交通大學(xué);2013年

本文編號：2796326