本文選題：多傳感器 + 柵格地圖�。� 參考：《南京理工大學(xué)》2017年碩士論文

【摘要】：無人駕駛車輛在軍用和民用領(lǐng)域都具有重要的研究價值和廣泛的應(yīng)用前景。道路環(huán)境感知技術(shù)是無人自主車的關(guān)鍵技術(shù)之一,多傳感器由于其性能互補(bǔ),能獲得更準(zhǔn)確、更高效的感知效果。本文旨在對多線激光雷達(dá)數(shù)據(jù)與圖像數(shù)據(jù)進(jìn)行融合,發(fā)掘這兩種傳感器的有效信息,從而對無人駕駛車輛的路面目標(biāo)進(jìn)行識別。完成的工作主要如下:首先基于32線激光雷達(dá)進(jìn)行路面障礙物的初步檢測,對雷達(dá)數(shù)據(jù)構(gòu)建了基于相對高度差信息的柵格地圖,然后提出了一種基于雷達(dá)數(shù)據(jù)點距離信息預(yù)判斷的密度聚類算法,標(biāo)記出雷達(dá)數(shù)據(jù)點密集的區(qū)域,也就是障礙物區(qū)域。通過先驗幾何知識過濾掉非路面障礙。實驗結(jié)果表明,該方法能夠成功檢測路面障礙物,并獲知障礙物的距離信息。研究基于圖像信息的方法對路面行人進(jìn)行檢測。首先用混合高斯模型對背景進(jìn)行建模,過濾大部分背景,再采用形態(tài)學(xué)濾波算法的腐蝕和膨脹,剔除孤立的小點,融合鄰近的數(shù)據(jù)點,最后采用矩形包圍輪廓,找出障礙物的位置。比較了基于圖像信息的行人檢測算法與基于激光雷達(dá)的障礙檢測算法,分析這兩種傳感器的優(yōu)缺點。多傳感器的信息融合建立在各數(shù)據(jù)坐標(biāo)統(tǒng)一的基礎(chǔ)上。首先對雷達(dá)進(jìn)行參數(shù)標(biāo)定,根據(jù)標(biāo)定物的角點對應(yīng),求出雷達(dá)數(shù)據(jù)點由原始的極坐標(biāo)形式轉(zhuǎn)換到世界坐標(biāo)的轉(zhuǎn)換矩陣。然后采用Tsai方法對攝像頭進(jìn)行標(biāo)定,最后得到雷達(dá)坐標(biāo)系到圖像像素坐標(biāo)系的投影矩陣。提出基于障礙物的數(shù)據(jù)融合方法,將雷達(dá)中檢測到的障礙物的深度信息與圖像數(shù)據(jù)融合,使圖像的像素點不僅包含RGB信息,也包含距離信息,為下一步識別目標(biāo)以及確定目標(biāo)的距離是否安全作準(zhǔn)備。確認(rèn)路面障礙物,特別是行人的位置對無人駕駛車輛的安全駕駛具有重要的意義。將經(jīng)雷達(dá)初步檢測后得到的障礙物感興趣區(qū)域投影到圖像上,對圖像上的感興趣區(qū)域提取HOG特征算子。將行人庫數(shù)據(jù)作為正樣本,不包含行人的無人車真實行駛場景作為負(fù)樣本,訓(xùn)練線性SVM分類器,識別障礙物是否為行人,并根據(jù)融合后的像素點的深度信息判斷障礙物的距離。實驗證明,該方法能實現(xiàn)實時路面目標(biāo)識別,能應(yīng)用到無人車的自主導(dǎo)航系統(tǒng)中,具有實際應(yīng)用意義。
[Abstract]:Driverless vehicles have important research value and wide application prospect in both military and civil fields. Road environment sensing technology is one of the key technologies of unmanned vehicles. Because of its complementary performance, multi-sensors can obtain more accurate and efficient sensing effect. The purpose of this paper is to fuse the multi-line lidar data with the image data, to discover the effective information of the two sensors, and to identify the road targets of driverless vehicles. The main work is as follows: firstly, based on 32-line lidar, the initial detection of road obstacles is carried out, and the raster map based on the relative height difference information is constructed for the radar data. Then, a density clustering algorithm based on the pre-judgment of radar data point distance information is proposed, which marks the area where radar data points are dense, that is, obstacle area. The non-road barrier is filtered out by a prior knowledge of geometry. The experimental results show that the method can successfully detect obstacles and obtain the distance information of obstacles. A method based on image information for pavement pedestrian detection is studied. First, the background is modeled by mixed Gao Si model, most of the background is filtered, then the corrosion and expansion of morphological filtering algorithm is adopted, the isolated small points are eliminated, the adjacent data points are fused, and the outline is surrounded by a rectangle. Find out the position of the obstacle. The pedestrian detection algorithm based on image information and the obstacle detection algorithm based on lidar are compared, and the advantages and disadvantages of the two sensors are analyzed. The multi-sensor information fusion is based on the unification of the data coordinates. First, the radar parameters are calibrated, and the transformation matrix of radar data points from the original polar coordinate to the world coordinate is obtained according to the corner point correspondence of the calibrated object. Then the camera is calibrated by Tsai method, and the projection matrix from radar coordinate system to image pixel coordinate system is obtained. A method of data fusion based on obstacle is proposed. The depth information of obstacle detected in radar is fused with image data, so that the pixel of image contains not only RGB information, but also distance information. Prepare for the next step to identify the target and determine whether the target's distance is safe. It is important to confirm the position of obstacles, especially pedestrians, for the safe driving of driverless vehicles. The region of interest obtained by radar preliminary detection is projected onto the image, and the Hog feature operator is extracted for the region of interest on the image. Taking the pedestrian bank data as the positive sample and the actual driving scene without pedestrians as the negative sample, the linear SVM classifier is trained to identify whether the obstacle is a pedestrian, and the distance of the obstacle is judged by the depth information of the fused pixel. Experiments show that this method can realize real-time road surface target recognition and can be applied to autonomous navigation system of unmanned vehicle.
【學(xué)位授予單位】：南京理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：U463.6;TN958.98

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉進(jìn);孫婧;徐正全;顧鑫;;基于目標(biāo)的圖像輕量級加密[J];華中科技大學(xué)學(xué)報(自然科學(xué)版);2011年06期

2 胡君;一種快速求圖像目標(biāo)質(zhì)心的方法[J];光學(xué)精密工程;1998年05期

3 宋修銳;吳志勇;;圖像通用目標(biāo)的無監(jiān)督檢測[J];光學(xué)精密工程;2014年01期

4 趙玉鳳;趙耀;朱振峰;;一種新的基于區(qū)域的圖像相似性計算[J];鐵道學(xué)報;2007年01期

5 徐朝倫,王曉湘,柯有安;一種新的圖像自動門限分割方法[J];北京理工大學(xué)學(xué)報;1997年02期

6 王海英,郭志芬;一種復(fù)雜圖像目標(biāo)的分割與識別[J];北京理工大學(xué)學(xué)報;2000年02期

7 葛云;章東;;活體細(xì)胞圖像斑點的自動提取和跟蹤方法[J];東南大學(xué)學(xué)報(自然科學(xué)版);2009年03期

8 呂宇波;蘭培真;;航拍圖像海上目標(biāo)定位算法[J];上海海事大學(xué)學(xué)報;2011年04期

9 劉吉平,趙鵬大;圖像異常檢測方法與應(yīng)用研究[J];地球科學(xué);1999年05期

10 于明,柯有安;復(fù)雜背景中人臉圖像的定位研究[J];河北工業(yè)大學(xué)學(xué)報;1999年01期

相關(guān)會議論文 前5條

1 張林怡;王運鋒;王建國;;分維數(shù)在SAR圖像海岸線檢測中的應(yīng)用研究[A];第十屆全國信號處理學(xué)術(shù)年會（CCSP-2001）論文集[C];2001年

2 李吉成;魯新平;楊衛(wèi)平;張志龍;高穎慧;沈振康;;圖像目標(biāo)的自動識別和快速篩選技術(shù)[A];2006年全國光電技術(shù)學(xué)術(shù)交流會會議文集（D 光電信息處理技術(shù)專題）[C];2006年

3 佘二永;;SAR圖像目標(biāo)解譯技術(shù)分析[A];第九屆全國信息獲取與處理學(xué)術(shù)會議論文集Ⅰ[C];2011年

4 趙朝杰;朱虹;黎璐;董敏;袁承興;;基于內(nèi)容感知的圖像非等比例縮放[A];第十四屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2008年

5 奚惠寧;;淺談有關(guān)醫(yī)學(xué)圖像的專利申請如何判斷是否是非授權(quán)客體[A];2013年中華全國專利代理人協(xié)會年會暨第四屆知識產(chǎn)權(quán)論壇論文匯編第二部分[C];2013年

相關(guān)博士學(xué)位論文 前10條

1 錢智明;面向圖像標(biāo)注的張量表示與語義建模方法研究[D];國防科學(xué)技術(shù)大學(xué);2015年

2 鄧劍勛;多示例圖像檢索算法研究及在人臉識別中的應(yīng)用[D];重慶大學(xué);2012年

3 王亮申;圖像特征提取及基于內(nèi)容圖像數(shù)據(jù)庫檢索理論和方法研究[D];大連理工大學(xué);2002年

4 魏波;點時空約束圖像目標(biāo)跟蹤理論與實時實現(xiàn)技術(shù)研究[D];電子科技大學(xué);2000年

5 劉俊;基于鉬靶圖像的計算機(jī)輔助乳腺癌檢測系統(tǒng)中關(guān)鍵技術(shù)研究[D];武漢科技大學(xué);2012年

6 付華柱;圖像協(xié)同關(guān)聯(lián)性約束的研究與應(yīng)用[D];天津大學(xué);2013年

7 廖宜濤;基于圖像與光譜信息的豬肉品質(zhì)在線無損檢測研究[D];浙江大學(xué);2011年

8 陳海林;基于判別學(xué)習(xí)的圖像目標(biāo)分類研究[D];中國科學(xué)技術(shù)大學(xué);2009年

9 王洪元;圖像動態(tài)分析中的若干智能化方法研究[D];南京理工大學(xué);2004年

10 徐麗;面向圖像標(biāo)記的條件隨機(jī)場模型研究[D];長安大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 徐衍魯;基于改進(jìn)的K-means和層次聚類方法的詞袋模型研究[D];上海師范大學(xué);2015年

2 甘洪涌;SAR圖像自動目標(biāo)識別算法研究[D];哈爾濱理工大學(xué);2014年

3 張玉營;基于認(rèn)知理論的高分辨率PolSAR圖像目標(biāo)解譯算法研究[D];哈爾濱工業(yè)大學(xué);2015年

4 王帥;視頻中扇貝圖像的檢測與定位研究[D];大連海洋大學(xué);2015年

5 李偉;改進(jìn)的主顏色提取方法及自適應(yīng)權(quán)重圖像檢索算法研究[D];華中師范大學(xué);2015年

6 李星云;碼垛機(jī)器人視覺控制關(guān)鍵技術(shù)的研究[D];西南科技大學(xué);2015年

7 梁，

本文編號：2068845