近幾年來,利用多傳感器數(shù)據(jù)融合技術(shù)在智能車檢測行車環(huán)境障礙物信息方面,大多都是在白天光照條件良好等條件下進(jìn)行的,但對于霧天和夜間的障礙物檢測則研究較少,且存在障礙物識別準(zhǔn)確性和可靠性低等問題。本文基于激光雷達(dá)和機(jī)器視覺數(shù)據(jù)融合的方法對智能車前方障礙物進(jìn)行檢測,研究低對比度圖像增強(qiáng)方法以及尋找更合理的數(shù)據(jù)融合算法,提高智能車檢測障礙物的準(zhǔn)確性和魯棒性。本文的主要研究內(nèi)容有:首先,基于激光雷達(dá)在車輛直行時障礙物檢測,提出在檢測周期內(nèi),設(shè)置車輛橫向距離閾值法來判定目標(biāo)車輛是否位于同一車道內(nèi),并基于卡爾曼濾波法對目標(biāo)物的有效性進(jìn)行驗證和基于生命周期法對目標(biāo)進(jìn)行決策;基于機(jī)器視覺障礙物檢測提出采用AdaBoost算法對原始圖像進(jìn)行訓(xùn)練,對正負(fù)樣本的權(quán)重重新分配,獲得許多弱分類器,并最終組合成強(qiáng)分類器,得到較好的識別效果。其次,建立車體坐標(biāo)系,分別對雷達(dá)和相機(jī)進(jìn)行標(biāo)定,將空間任意一點(diǎn)轉(zhuǎn)換到圖像坐標(biāo)系中。提出使用中值濾波對原始圖像進(jìn)行去噪和改進(jìn)的單尺度Retinex算法對圖像進(jìn)行增強(qiáng),提高圖像的辨識度和目標(biāo)輪廓的完整度。再次,使用Dempster-Shafer證據(jù)理論對雷達(dá)和相機(jī)采集的信息進(jìn)行數(shù)據(jù)融... 

【文章來源】：哈爾濱理工大學(xué)黑龍江省

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【部分圖文】：

毫米波雷達(dá)檢測目標(biāo)Fig.1-1Millimeterwaveradardetectiontarget

a) 激光雷達(dá)識別目標(biāo) b) 激光雷達(dá)檢測區(qū)域圖 1-2 激光雷達(dá)檢測Fig. 1-2 Lidar detectionPeng Y 提出了一種基于二維激光雷達(dá)的高效障礙物檢測和避障算法。通過對激光點(diǎn)云數(shù)據(jù)進(jìn)行濾波和聚類來獲取障礙物信息的方法，該方法基于最小代價函數(shù)原理生成機(jī)器人的前向角和速度。在 MATLAB 仿真平臺上驗證了該算法的有效性[14]。Fei Y 等人為了有效地檢測和跟蹤大量數(shù)據(jù)下的障礙物，提出了一種基于激光雷達(dá)的動態(tài)未知環(huán)境下實(shí)時多重障礙物檢測和跟蹤的方法，該算法首先根據(jù)從圖像處理中獲得的道路車道信息將激光雷達(dá)數(shù)據(jù)的感興趣區(qū)域轉(zhuǎn)換為網(wǎng)格圖，然后使用區(qū)域標(biāo)注和模板匹配來檢測網(wǎng)格上的箱模型障礙物。為了避免誤報或錯過匹配，采用多個假設(shè)跟蹤和卡爾曼濾波進(jìn)行障礙物跟蹤。該方法可以準(zhǔn)確地檢測障礙物，并在自主車輛上每幀 100 毫秒內(nèi)穩(wěn)定跟蹤[15]。Cong P 等人提出了一種使用單個激光雷達(dá)的戶外移動機(jī)器人自適應(yīng)障礙物檢測方法。該方法首先從原始傳感器數(shù)據(jù)中提取線段，然后估計每個時刻掃描的路面的高度和矢量，隨后，基于每個線段的平均高度以及線段與從先前測量

Fuerstenberg 和 Dietmayer 針對智能車行駛過程中的行人辨別與車輛跟蹤問題，提出了一種基于多層激光雷達(dá)檢測技術(shù)的方法，其根據(jù)障礙物輪廓特征使用矩形和點(diǎn)模型表示障礙物，并依據(jù)人類下肢的舉止?fàn)顟B(tài)和外形輪廓特征進(jìn)行判斷[18]。該方法雖然可以完成既定任務(wù)，但存在檢測角度較小、易受外部因素影響等缺陷。Liu Z 等人提出了基于三維激光雷達(dá)的道路邊界檢測算法。基于道路區(qū)域與非道路區(qū)域的高度跳躍特征，首先， 提取可轉(zhuǎn)移區(qū)域，然后利用線性判別分析（LDA）分類將得到的屏障網(wǎng)格圖分為左右兩個最佳非道路區(qū)域，然后擬合道路邊界信息[19]。測試結(jié)果表明，該邊界檢測算法相當(dāng)可靠，能夠準(zhǔn)確完成邊界檢測任務(wù)，能夠滿足實(shí)時系統(tǒng)的要求。1.2.2 基于機(jī)器視覺的前方障礙物檢測機(jī)器視覺相較于測距雷達(dá)，能夠準(zhǔn)確的提取目標(biāo)的三維輪廓，具有探測范圍廣、道路信息完整、可遙測的優(yōu)勢，在無人駕駛車中是非常重要的傳感器[20]，機(jī)器視覺檢測目標(biāo)如圖 1-3 所示。

【參考文獻(xiàn)】：
期刊論文
[1]中國汽車保有量增長大環(huán)境下停車場的現(xiàn)狀與創(chuàng)新[J]. 汪卓然,石偉華,殷月園,董金林.  產(chǎn)業(yè)與科技論壇. 2017(11)
[2]無人駕駛汽車應(yīng)用與發(fā)展現(xiàn)狀分析[J]. 馬碩.  汽車與駕駛維修(維修版). 2017(04)
[3]基于無人駕駛技術(shù)的圖像處理[J]. 周呈,陳忠位,金鑫,秦海鵬.  信息化研究. 2017(01)
[4]改進(jìn)的Retinex低照度圖像光照補(bǔ)償算法[J]. 肖曉,張健.  電子設(shè)計工程. 2017(04)
[5]應(yīng)用直方圖均衡化實(shí)現(xiàn)圖像增強(qiáng)[J]. 余廷忠,夏仁強(qiáng),胡如會.  貴州工程應(yīng)用技術(shù)學(xué)院學(xué)報. 2016(02)
[6]改進(jìn)的直方圖均衡化和NSCT變換的紅外圖像增強(qiáng)[J]. 曹美,程亞玲,盛惠興,仇春春,俞楷.  應(yīng)用科技. 2016(02)
[7]關(guān)于直方圖均衡化算法在圖像灰度處理中的應(yīng)用研究[J]. 周海珍,熊登峰.  科技創(chuàng)新與應(yīng)用. 2015(32)
[8]結(jié)合直方圖均衡和模糊集理論的紅外圖像增強(qiáng)[J]. 云海姣,吳志勇,王冠軍,劉雪超,梁敏華.  計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報. 2015(08)
[9]基于小波變換的圖像增強(qiáng)的實(shí)現(xiàn)研究[J]. 郭奇,呂曉光.  傳感器世界. 2015(03)
[10]基于MATLAB下中值濾波算法的圖像增強(qiáng)[J]. 王賽男.  智能計算機(jī)與應(yīng)用. 2014(06)

博士論文
[1]智能機(jī)器人視覺信息處理及數(shù)據(jù)融合方法研究[D]. 原新.哈爾濱工程大學(xué) 2004
[2]基于激光雷達(dá)的移動機(jī)器人障礙檢測和自定位[D]. 項志宇.浙江大學(xué) 2002

碩士論文
[1]基于機(jī)器視覺和毫米波雷達(dá)的夜間車輛識別[D]. 郭云雷.天津工業(yè)大學(xué) 2018
[2]基于毫米波雷達(dá)和機(jī)器視覺的前方車輛檢測研究[D]. 丁洪正.哈爾濱理工大學(xué) 2018
[3]車載全景視覺系統(tǒng)中相機(jī)標(biāo)定方法的研究[D]. 胡詩卉.武漢大學(xué) 2017
[4]基于毫米波雷達(dá)和機(jī)器視覺的夜間前方車輛檢測研究[D]. 程蕾.吉林大學(xué) 2016
[5]基于雷達(dá)和機(jī)器視覺融合的前方車輛障礙物檢測[D]. 那田.合肥工業(yè)大學(xué) 2016
[6]基于毫米波雷達(dá)與機(jī)器視覺融合的前方車輛檢測研究[D]. 王亞麗.吉林大學(xué) 2013
[7]基于雷達(dá)與相機(jī)的無人駕駛智能車障礙物檢測技術(shù)研究[D]. 張雙喜.長安大學(xué) 2013
[8]基于雷達(dá)的智能車多目標(biāo)檢測與跟蹤技術(shù)研究[D]. 趙萬里.中南大學(xué) 2011
[9]基于雷達(dá)和機(jī)器視覺的車輛前方障礙物檢測系統(tǒng)設(shè)計與實(shí)現(xiàn)[D]. 黃偉.武漢理工大學(xué) 2010
[10]一種基于小波神經(jīng)網(wǎng)絡(luò)的低對比度圖像增強(qiáng)方法[D]. 于辰飛.電子科技大學(xué) 2006



本文編號：3068054