隨著計算機(jī)技術(shù)與應(yīng)用的快速發(fā)展,人們的生活方式發(fā)生了巨大的改變。智能設(shè)備正在不斷取代傳統(tǒng)的體力勞作甚至傳統(tǒng)的機(jī)械設(shè)備,作為未來的必然趨勢之一,無人駕駛汽車一直是科研領(lǐng)域研究的熱點。雖然有很多科技公司如谷歌、百度等與傳統(tǒng)的汽車公司如奔馳、大眾等已經(jīng)建立的無人駕駛汽車研究機(jī)構(gòu)并開始了公路測試,但現(xiàn)有的無人駕駛技術(shù)依然存在很多的問題和難題。其中最為基礎(chǔ)的是定位技術(shù)。傳統(tǒng)的定位技術(shù)存在很多的局限,視覺定位技術(shù)是一個非常不錯的補(bǔ)充。視覺定位技術(shù)也叫做視覺里程計技術(shù),本文針對目前的視覺里程計算法中存在的缺點展開研究,提出了若干改進(jìn)策略,通過實驗表明本文中提出的改進(jìn)算法在實際中真實有效�；谔卣鼽c的視覺里程計算法,其輸入信息依賴以從圖像中提取的特征點,特征點的離散性和數(shù)量對于視覺里程計算法的精度有很大的影響。本文提出了基于圖像分割的特征提取算法,首先對圖像進(jìn)行分割,對每一個窗口圖像采用自適應(yīng)權(quán)值的特征提取策略進(jìn)行特征提取,經(jīng)過實驗表明,本文提出的特征提取算法提取特征后能夠使特征離散的分布在整個圖像上,同時在不同幀上提取特征后,特征的數(shù)量能夠維持恒定�；谝曈X的里程計算法,通過在不同位置對同一場景進(jìn)行觀測,利用觀測信息之間的關(guān)系求解相機(jī)系統(tǒng)在兩個位置之間發(fā)生的位姿變化。場景中的運(yùn)動物體對定位精度有非常大的影響,本文中提出了基于加權(quán)特征點的運(yùn)動估計算法首先通過之前幀序列的位姿變化預(yù)測當(dāng)前3D特征點的位置,其次用當(dāng)前3D特征點的估計位置與預(yù)測位置進(jìn)行對比,對3D特征點進(jìn)行質(zhì)量評估,在進(jìn)行運(yùn)動估計時依據(jù)3D特征點評估分?jǐn)?shù)構(gòu)建基于加權(quán)特征點的運(yùn)動估計算法,使用該算法進(jìn)行運(yùn)動估計可以使本文提出的視覺里程計算法在運(yùn)動估計階段對場景中的運(yùn)動物體進(jìn)行檢測并排除大部分運(yùn)動較大的運(yùn)動物體點,最終使得本文提出的視覺里程計算法具有較高的定位精度和魯棒性。為了更好的對場景中的運(yùn)動目標(biāo)進(jìn)行檢測,本文對傳統(tǒng)的基于混合高斯的運(yùn)動目標(biāo)檢測算法進(jìn)行探討和研究并提出改進(jìn)策略。傳統(tǒng)的算法在實際使用中容易受到噪聲干擾,且計算成本高,針對其不可避免的缺點本文中提出了一個基于信息度對圖像進(jìn)行分塊的混合高斯模型算法。通過圖像塊中含有運(yùn)動點的比例不同采用不同的混合高斯模型,對于位于運(yùn)動目標(biāo)邊緣的圖像塊采用單獨的算法進(jìn)行預(yù)處理,不僅能夠降低背景區(qū)域、運(yùn)動區(qū)域中噪聲對背景模型的影響,同時能夠以更高的計算效率實現(xiàn)運(yùn)動目標(biāo)的檢測。實驗結(jié)果表明本算法在實際場景中具有可行性和魯棒性。
【學(xué)位單位】：陜西師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2018
【中圖分類】：U463.6;TP391.41
【部分圖文】：

的提高駕駛員的用戶體驗。具有自動駕駛功能的汽車除了滿足我們的大眾無人駕??駛汽車需求外，還可以應(yīng)用在非常多的場景中，如無人駕駛車可以在高溫環(huán)境，??核污染區(qū)域，甚至可以在其他星球等危險區(qū)域中進(jìn)行勘測工作。圖１－１中展示的分??別是在火星上探索環(huán)境的好奇號火星車與ｇｏｏｇｌｅ出產(chǎn)的無人駕駛車。??１??

圖２－４小孔成像模型??Ｆｉｇ．２－４?ｓｍａｌｌ?ｈｏｌｅ?ｉｍａｇｉｎｇ?ｍｏｄｅｌ??如圖２－３，以光心ｃ點為原點，平行于成像平面的兩條直線為Ｘｅ軸和Ｙｃ軸，??直于成像平面且過光心的直線為Ｚｅ軸，形成相機(jī)坐標(biāo)系。光心Ｃ點到成像平面??距離為焦距ｆ。??在圖２－４中，３Ｄ空間點Ｘｃ通過光心點Ｃ在成像平面上映射為ｘｉｍ，假設(shè)Ｘｃ??坐標(biāo)為＾?＆?ｚｔ．ｆ，通過小孔成像模型中構(gòu)成的幾何關(guān)系，我們可以求出像素??ｘｉｍ在成像平面坐標(biāo)系中的坐標(biāo)為公式（２－６）??ｒ?ｎＴ??ｆ—?＋?Ｐ２?ｆ—?＋?Ｐ，?（２－６）??Ｌ?Ａ?」??其中ｐｘ，?ｐｙ分別為成像平面坐標(biāo)系原點與相機(jī)坐標(biāo)系原點在ｘ軸和ｙ軸上的??離。??１５??

Ｘｐｄ??圖２－?６對極幾何??Ｆｉｇ．２－６?ｐａｉｒｓ?ｏｆ?ｐｏｌａｒ?ｇｅｏｍｅｔｒｙ??圖２－６中描繪了一個空間３Ｄ點？在光心為ｃＬ，?ｃＲ的相機(jī)系統(tǒng)成像平面上分別??投影為ｘＬ，?ｘＲ．。圖中兩個相機(jī)系統(tǒng)光心之間的連線稱為基線，符號為ｂ；基線與??左右成像平面的交點稱為極點，符號為ｅＬ，?ｅＲ；３Ｄ點與基線所構(gòu)成的平面為極平面。??對極幾何的核心是指３Ｄ點在成像平面上的投影點一定在極平面和成像平面的交??線上。??在進(jìn)行三角化求解空間點坐標(biāo)的過程一般分為２個步驟，第一步求解一個像??素點在另一個成像平面的對應(yīng)像素點位置；第二步通過三角化方法求解空間點的??３Ｄ坐標(biāo)。??通過對極幾何的約束，我們可以只在極線上搜索對應(yīng)的像素點，從而提高搜??索效率，降低計算成本。在對極幾何中存在公式（２－２１）中的約束。??必＝０?＾－２１）??１９??
【參考文獻(xiàn)】

相關(guān)期刊論文 前5條

1 劉萬軍;李琳;;基于熵理論改進(jìn)混合高斯模型的運(yùn)動目標(biāo)檢測算法[J];計算機(jī)應(yīng)用研究;2015年07期

2 康軼非;宋永端;宋宇;閆德立;;動態(tài)環(huán)境下基于旋轉(zhuǎn)-平移解耦的立體視覺里程計算法[J];機(jī)器人;2014年06期

3 劉皞;趙峰民;陳望達(dá);;一種基于背景自適應(yīng)的運(yùn)動目標(biāo)檢測與跟蹤算法[J];海軍航空工程學(xué)院學(xué)報;2012年01期

4 王永忠;梁彥;潘泉;程詠梅;趙春暉;;基于自適應(yīng)混合高斯模型的時空背景建模[J];自動化學(xué)報;2009年04期

5 李智;周文暉;劉濟(jì)林;;動態(tài)場景下基于視差空間的立體視覺里程計[J];浙江大學(xué)學(xué)報(工學(xué)版);2008年10期

本文編號：2841710