在無(wú)人駕駛系統(tǒng)中,感知是極其重要的一環(huán),而準(zhǔn)確實(shí)時(shí)的檢測(cè)到前方車輛,可以為后續(xù)決策和規(guī)劃提供充分的先驗(yàn)條件,從而避免交通事故的出現(xiàn)。毫米波雷達(dá)和攝像頭在目標(biāo)檢測(cè)方面各有優(yōu)劣,雷達(dá)可以有效獲取道路目標(biāo)的相對(duì)距離、相對(duì)速度、相對(duì)角度等信息,但無(wú)法準(zhǔn)確獲得目標(biāo)的寬度信息;而攝像頭可以獲得前方車輛的目標(biāo)寬度、類別等信息,但無(wú)法精確對(duì)目標(biāo)進(jìn)行測(cè)距、測(cè)速等,且使用單雷達(dá)或單攝像頭時(shí)可能存在目標(biāo)的虛檢或漏檢�；谏鲜龇治�,本文提出了一種基于毫米波雷達(dá)和視覺(jué)融合的車輛檢測(cè)算法,通過(guò)時(shí)空轉(zhuǎn)換將毫米波雷達(dá)目標(biāo)點(diǎn)投影到圖像上,通過(guò)目標(biāo)關(guān)聯(lián)算法實(shí)現(xiàn)雷達(dá)目標(biāo)序列和攝像頭目標(biāo)序列的關(guān)聯(lián),對(duì)關(guān)聯(lián)成功的目標(biāo)進(jìn)行更完整信息的輸出,對(duì)未關(guān)聯(lián)的目標(biāo)同樣進(jìn)行輸出,相較于單雷達(dá)或單視覺(jué)算法,可以獲取更完整的道路目標(biāo)信息。具體研究?jī)?nèi)容如下:1、雷達(dá)有效車輛目標(biāo)序列的獲取。首先利用Kvaser CAN總線分析儀實(shí)現(xiàn)對(duì)雷達(dá)目標(biāo)信號(hào)的接收,通過(guò)對(duì)回波信號(hào)中空目標(biāo)、靜止目標(biāo)和無(wú)效目標(biāo)信號(hào)的特點(diǎn)進(jìn)行分析,提出了本文基于雷達(dá)的有效車輛目標(biāo)序列獲取算法。通過(guò)雷達(dá)信號(hào)本身特點(diǎn)濾除空目標(biāo)信號(hào),通過(guò)兩幀之間的閾值來(lái)濾除無(wú)效目標(biāo)信號(hào),通過(guò)自車與目標(biāo)之...

【文章頁(yè)數(shù)】：93 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題的研究背景和意義
    1.2 國(guó)內(nèi)外無(wú)人駕駛汽車研究現(xiàn)狀
        1.2.1 國(guó)外無(wú)人駕駛汽車發(fā)展現(xiàn)狀
        1.2.2 國(guó)內(nèi)無(wú)人駕駛技術(shù)的發(fā)展現(xiàn)狀
    1.3 無(wú)人駕駛汽車前方車輛檢測(cè)的研究現(xiàn)狀
        1.3.1 基于機(jī)器視覺(jué)的車輛檢測(cè)
        1.3.2 基于毫米波雷達(dá)的車輛檢測(cè)
        1.3.3 基于激光雷達(dá)的車輛檢測(cè)
        1.3.4 基于多傳感器融合的車輛檢測(cè)
    1.4 本文的研究?jī)?nèi)容和章節(jié)安排
第2章 基于毫米波雷達(dá)的車輛檢測(cè)
    2.1 毫米波雷達(dá)的性能和特點(diǎn)
    2.2 毫米波雷達(dá)的工作原理
    2.3 毫米波雷達(dá)的選型
    2.4 毫米波雷達(dá)的數(shù)據(jù)接收和處理
    2.5 毫米波雷達(dá)有效目標(biāo)獲取
        2.5.1 雷達(dá)采集信號(hào)分析
        2.5.2 毫米波雷達(dá)濾波算法
        2.5.3 濾波算法驗(yàn)證
    2.6 本章小結(jié)
第3章 基于深度學(xué)習(xí)的前方車輛檢測(cè)和距離測(cè)量
    3.1 卷積神經(jīng)網(wǎng)絡(luò)
        3.1.1 神經(jīng)網(wǎng)絡(luò)概述
        3.1.2 卷積神經(jīng)網(wǎng)絡(luò)特性
        3.1.3 卷積神經(jīng)網(wǎng)絡(luò)層級(jí)結(jié)構(gòu)
        3.1.4 卷積神經(jīng)網(wǎng)絡(luò)工作原理
    3.2 目標(biāo)檢測(cè)算法介紹
        3.2.1 傳統(tǒng)目標(biāo)檢測(cè)算法介紹
        3.2.2 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法介紹
    3.3 基于CAFFE的 SSD車輛檢測(cè)
        3.3.1 SSD算法原理
        3.3.2 實(shí)驗(yàn)數(shù)據(jù)準(zhǔn)備
        3.3.3 網(wǎng)絡(luò)訓(xùn)練和實(shí)驗(yàn)結(jié)果分析
    3.4 基于單目視覺(jué)的車輛測(cè)距
        3.4.1 基于小孔成像的測(cè)距模型
        3.4.2 基于單幀圖像的測(cè)距模型
        3.4.3 基于序列圖像的測(cè)距模型
    3.5 測(cè)距模型的實(shí)現(xiàn)
    3.6 測(cè)距模型的實(shí)驗(yàn)驗(yàn)證
    3.7 本章小結(jié)
第4章 基于毫米波雷達(dá)和視覺(jué)融合的車輛檢測(cè)
    4.1 毫米波雷達(dá)和相機(jī)的空間同步
        4.1.1 傳感器位置和坐標(biāo)系定義
        4.1.2 雷達(dá)坐標(biāo)系和世界坐標(biāo)系的轉(zhuǎn)換
        4.1.3 像素坐標(biāo)系和世界坐標(biāo)系的轉(zhuǎn)換
        4.1.4 相機(jī)內(nèi)外參數(shù)標(biāo)定
        4.1.5 雷達(dá)坐標(biāo)系和相機(jī)坐標(biāo)系的聯(lián)合標(biāo)定
    4.2 毫米波雷達(dá)和相機(jī)的時(shí)間同步
    4.3 基于視覺(jué)與雷達(dá)融合的車輛檢測(cè)算法
        4.3.1 毫米波雷達(dá)和相機(jī)的目標(biāo)關(guān)聯(lián)算法
        4.3.2 車輛目標(biāo)信息生成策略
    4.4 本章小結(jié)
第5章 系統(tǒng)平臺(tái)設(shè)計(jì)與實(shí)驗(yàn)
    5.1 系統(tǒng)平臺(tái)設(shè)計(jì)
        5.1.1 無(wú)人車總體架構(gòu)
        5.1.2 硬件架構(gòu)設(shè)計(jì)
        5.1.3 軟件架構(gòu)設(shè)計(jì)
    5.2 實(shí)車算法驗(yàn)證與分析
    5.3 本章小結(jié)
總結(jié)與展望
    1 研究?jī)?nèi)容總結(jié)
    2 工作展望
參考文獻(xiàn)
致謝



本文編號(hào)：3778662