本文以車輛環(huán)境感知系統(tǒng)中的障礙物檢測識別方法為研究對象,由于單傳感器獲取信息量必然存在一定的不足,本文采用機(jī)器視覺與毫米波雷達(dá)信息融合的技術(shù)路線實現(xiàn)車輛前方障礙物檢測識別,主要工作有:（1）在分析毫米波雷達(dá)測量環(huán)境的基礎(chǔ)上,以同車道最近準(zhǔn)則作為雷達(dá)有效目標(biāo)初選的依據(jù)。針對目標(biāo)跟蹤中系統(tǒng)噪聲的統(tǒng)計特性未知或時變的問題,結(jié)合傳統(tǒng)的Sage-Husa自適應(yīng)濾波算法和平方根濾波思想,提出改進(jìn)的線性自適應(yīng)平方根卡爾曼濾波算法實現(xiàn)目標(biāo)狀態(tài)預(yù)估,仿真結(jié)果驗證了算法的精確性和穩(wěn)定性。在有效目標(biāo)一致性檢驗的基礎(chǔ)上,采用生命周期算法進(jìn)行有效目標(biāo)決策。（2）在傳統(tǒng)SSD算法的網(wǎng)絡(luò)模型中引入反卷積模塊,從而充分利用網(wǎng)絡(luò)的上下文信息,實驗驗證了改進(jìn)算法的有效性。通過與其他不同算法的實驗對比,驗證了改進(jìn)算法具有更高的精確率和更好的實時性。（3）建立毫米波雷達(dá)坐標(biāo)系、攝像機(jī)坐標(biāo)系、世界坐標(biāo)系、圖像坐標(biāo)系、圖像像素坐標(biāo)系間的轉(zhuǎn)換關(guān)系。利用張正友標(biāo)定法求解攝像機(jī)內(nèi)外參數(shù)和畸變參數(shù),結(jié)合畸變校正公式對理想線性模型進(jìn)行非線性畸變校正。在實現(xiàn)雷達(dá)和攝像機(jī)信息融合的基礎(chǔ)上,將毫米波雷達(dá)探測到的目標(biāo)投影至同步圖像上并建立動態(tài)感興... 

【文章來源】：南京理工大學(xué)江蘇省 211工程院校

【文章頁數(shù)】：75 頁

【學(xué)位級別】：碩士

【部分圖文】：

車輛矩形特征

討諧盜局芪Х岣壞幕肪承畔⒈熱縝胺?車道線、障礙物、交通信號燈等目標(biāo)信息，其他傳感器對這些信息的表征能力遠(yuǎn)遠(yuǎn)不及視覺傳感器的圖像表征能力，因此，視覺傳感器在障礙物檢測識別研究領(lǐng)域有著不可或缺的應(yīng)用[2]�；谝曈X的障礙物檢測方法分為基于圖像特征提取的方法和基于機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的方法兩大類。（1）基于圖像特征提取的方法基于圖像特征提取的方法可以實現(xiàn)對車輛前方障礙物的檢測，比如行人和車輛就都具有明顯的幾何特征，在正常的光照條件下，行人具有人體邊緣特征，車輛具有如圖1.1所示的外觀矩形特征、如圖1.2所示的底部陰影特征、對稱性特征以及輪廓邊界特征�；谶@些單一特征的檢測方法精度受光照影響較大，尤其是底部陰影特征，因此魯棒性不強(qiáng)，目前基于特征的檢測方法通常會將幾種特征融合使用。圖1.1車輛矩形特征圖1.2底部陰影特征國外，基于視覺的障礙物檢測研究起步較早，參與研究的有谷歌深度學(xué)習(xí)實驗室、德國慕尼黑國防大學(xué)、意大利帕爾馬大學(xué)AlbertoBroggi教授領(lǐng)導(dǎo)的計算機(jī)視覺課題組等[3]。德國慕尼黑國防大學(xué)與奔馳汽車公司聯(lián)合開發(fā)了VaMP試驗車，該車的視覺系統(tǒng)主要包括道路檢測跟蹤和障礙物檢測跟蹤兩個模塊。國內(nèi)，清華大學(xué)汽車安全與節(jié)能國家重點(diǎn)實驗室李克強(qiáng)教授領(lǐng)導(dǎo)的智能輔助駕駛課題組，運(yùn)用了基于車輛陰影特征與邊緣特征融合的方法實現(xiàn)汽車前方車輛障礙物的檢測[4]。北京理工大學(xué)的陳思忠教授、王寶鋒等人，通過對雷達(dá)產(chǎn)生的圖像感興趣區(qū)域（RegionOfInterest，ROI）進(jìn)行對稱性分析得到了車輛對稱中心，并基于底部陰影特征和輪廓邊界特征實現(xiàn)對車輛障礙物的檢測，最后根據(jù)逆透視變換獲得的車輛識別寬度，結(jié)合常見車型的寬度對檢測結(jié)果進(jìn)行驗證[5]。（2）基于機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的方法自20世紀(jì)80年代?

。2006年，加拿大多倫多大學(xué)的GeoffreyHinton教授在權(quán)威期刊《科學(xué)》上發(fā)表了深度置信網(wǎng)絡(luò)，提出了深度學(xué)習(xí)的概念，將機(jī)器學(xué)習(xí)研究推向了一個新的高潮[11]。國外，麻省理工大學(xué)、谷歌人工智能實驗室以及汽車駕駛輔助系統(tǒng)的以色列供應(yīng)商Mobileye公司在基于深度學(xué)習(xí)的障礙物檢測領(lǐng)域發(fā)展較快。國內(nèi)，百度成立了自動駕駛事業(yè)部，利用公司深厚的人工智能底蘊(yùn)，與寶馬公司合作完成了自動駕駛的實車路試，BrodyHuval，TaoWang等人在文獻(xiàn)[12]中利用卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork，CNN）實現(xiàn)車道線和障礙物檢測，效果如圖1.3所示。國內(nèi)，中國人民解放軍理工大學(xué)的TingRui等人[13]提出了基于淺層CNN與Adaboost分類器相結(jié)合的前車識別算法，該算法被證明有較好的魯棒性，但是計算量較大。圖1.3百度車道線和車輛檢測效果1.2.2基于毫米波雷達(dá)的障礙物檢測研究現(xiàn)狀毫米波雷達(dá)使用30~300GHz頻域的毫米波，穿透霧、煙、灰塵的能力較強(qiáng)，能夠全天時全天候穩(wěn)定工作，可以準(zhǔn)確獲取障礙物與雷達(dá)的相對距離、速度、角度信息，同時，毫米波雷達(dá)相比其他的雷達(dá)傳感器，具有成本較低、體積孝便于安裝等優(yōu)勢。因此近年來，毫米波雷達(dá)率先成為汽車安全輔助駕駛系統(tǒng)和自動駕駛的主要傳感器，在障礙物檢測領(lǐng)域獲得了快速的發(fā)展和廣泛的應(yīng)用。國外關(guān)于車載毫米波雷達(dá)的研究起步較早，博世（BOSCH）、大陸（Continental）、德爾福（DELPHI）、電裝（DENSO）、天合（TRW）等汽車零部件供應(yīng)商以及奔馳、福

【參考文獻(xiàn)】：
期刊論文
[1]采用HOG特征和機(jī)器學(xué)習(xí)的行人檢測方法[J]. 陳麗楓,王佳斌,鄭力新.  華僑大學(xué)學(xué)報(自然科學(xué)版). 2018(05)
[2]基于毫米波雷達(dá)的汽車防碰撞預(yù)警系統(tǒng)有效目標(biāo)的識別[J]. 李振.  北京汽車. 2018(02)
[3]基于深度學(xué)習(xí)的水面無人船前方船只圖像識別方法[J]. 王貴槐,謝朔,初秀民,洛天驕.  船舶工程. 2018(04)
[4]基于像素點(diǎn)的機(jī)器視覺系統(tǒng)能力評價[J]. 施亮星,王潔.  工業(yè)工程. 2018(02)
[5]道路交通事故的成因和地區(qū)分布特點(diǎn)研究[J]. 孔質(zhì)彬,劉翔,秦文玉,秦軍靈.  中國社會醫(yī)學(xué)雜志. 2018(01)
[6]基于視覺和毫米波雷達(dá)的車道級定位方法[J]. 趙翔,楊明,王春香,王冰.  上海交通大學(xué)學(xué)報. 2018(01)
[7]基于深度學(xué)習(xí)的多視窗SSD目標(biāo)檢測方法[J]. 唐聰,凌永順,鄭科棟,楊星,鄭超,楊華,金偉.  紅外與激光工程. 2018(01)
[8]一種基于Faster R-CNN的車輛檢測算法[J]. 韓凱,張紅英,王遠(yuǎn),徐敏.  西南科技大學(xué)學(xué)報. 2017(04)
[9]基于深度學(xué)習(xí)的目標(biāo)檢測算法綜述[J]. 周曉彥,王珂,李凌燕.  電子測量技術(shù). 2017(11)
[10]基于多信息融合的可駕駛道路檢測算法[J]. 朱振文,周莉,劉建,陳杰.  計算機(jī)工程與設(shè)計. 2017(05)

博士論文
[1]用于越野自主導(dǎo)航車的激光雷達(dá)與視覺融合方法研究[D]. 劉大學(xué).國防科學(xué)技術(shù)大學(xué) 2009
[2]汽車縱向主動避撞系統(tǒng)的研究[D]. 侯德藻.清華大學(xué) 2004

碩士論文
[1]基于雷達(dá)與圖像信息融合的路面目標(biāo)識別與應(yīng)用[D]. 陸怡悅.南京理工大學(xué) 2017
[2]汽車前方車輛識別的雷達(dá)和視覺信息融合算法開發(fā)[D]. 陳曉偉.吉林大學(xué) 2016
[3]監(jiān)控視頻中的車型識別技術(shù)研究[D]. 程麗霞.廣東工業(yè)大學(xué) 2016
[4]基于數(shù)據(jù)關(guān)聯(lián)算法的汽車主動防撞預(yù)警系統(tǒng)多目標(biāo)跟蹤研究[D]. 李秋燕.吉林大學(xué) 2015
[5]基于雙目視覺的焦點(diǎn)定位方法研究與應(yīng)用[D]. 曹之樂.重慶理工大學(xué) 2015
[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]高維數(shù)據(jù)的分類器集成方法研究[D]. 周井泉.重慶大學(xué) 2013
[8]圖像處理的數(shù)碼相機(jī)定位技術(shù)的研究與實現(xiàn)[D]. 康健.安徽理工大學(xué) 2009



本文編號：3328128