智能駕駛技術是未來交通工具的發(fā)展方向,具有廣泛的應用前景。本文結合計算機視覺技術,提出了一個智能駕駛輔助系統(tǒng),用來實時獲取駕駛員注意視點,在具有潛在危險的情況下提出預警,以此提高駕駛安全系數(shù)。本文圍繞該智能駕駛輔助系統(tǒng),進行了幾個關鍵技術問題的研究,主要包括三個方面:RGB-D（彩色以及深度相機）相機系統(tǒng)的標定,以及從彩色圖像直接到深度圖像的像素對準問題;沒有重復視野的兩個車載相機的相對姿勢估計的問題;基于RGB-D相機通過單次學習的動作識別問題。在本文的駕駛輔助系統(tǒng)中,使用了RGB-D相機。為了提高探測精度,改善輔助駕駛系統(tǒng)的性能,需要對RGB-D相機系統(tǒng)進行標定。本文從普通相機的透視投影模型推廣到紅外相機,建立了彩色相機、紅外相機、深度相機的相機系統(tǒng)模型。首先利用傳統(tǒng)的相機標定方法分別標定彩色相機和紅外相機的內(nèi)部參數(shù)以及外部參數(shù),然后結合深度相機模型標定深度相機的深度參數(shù)。實驗結果證明,我們的標定達到了較高的精度。但是,在RGB-D相機系統(tǒng)中還存在一個問題,由于彩色圖像比深度圖像具有更多的紋理信息,因此我們通常都是在彩色圖像上尋找到興趣點,然后希望獲得其對應的深度信息。然而目前Ki... 

【文章來源】：中國科學院大學(中國科學院上海技術物理研究所)上海市

【文章頁數(shù)】：117 頁

【學位級別】：博士

【文章目錄】：
致謝
摘要
ABSTRACT
第1章 引言
    1.1 研究背景與意義
    1.2 國際上的研究現(xiàn)狀
    1.3 應用背景
    1.4 本文研究內(nèi)容
第2章 搭建智能駕駛輔助系統(tǒng)
    2.1 研究背景
    2.2 駕駛員注視點檢測系統(tǒng)
        2.2.1 系統(tǒng)構成
        2.2.2 實現(xiàn)方法與效果
    2.3 系統(tǒng)標定
    2.4 誤差分析與可行性分析
    2.5 小結
第3章 標定RGB-D相機
    3.1 針孔相機模型
    3.2 相機內(nèi)部參數(shù)
        3.2.1 中心點偏移
        3.2.2 圖像傳感器特性
        3.2.3 鏡頭的徑向畸變
    3.3 相機外部參數(shù)
        3.3.1 直接映射（世界坐標系到相機坐標系）
        3.3.2 非直接映射（相機坐標系到世界坐標系）
    3.4 立體視覺系統(tǒng)
    3.5 Kinect相機模型
        3.5.1 紅外相機以及紅外圖像
        3.5.2 彩色相機以及彩色圖像
        3.5.3 深度圖像
        3.5.4 深度數(shù)據(jù)的分辨率
        3.5.5 紅外圖像和深度圖像之間的偏移
        3.5.6 Kinect的幾何模型
    3.6 Kinect標定實驗及結果
        3.6.1 標定彩色相機與紅外相機的內(nèi)部參數(shù)
        3.6.2 標定彩色相機與紅外相機的外部參數(shù)
        3.6.3 標定深度相機的深度參數(shù)
第4章 彩色圖像到深度圖像的像素對準
    4.1 研究背景
    4.2 算法流程
    4.3 實驗以及實驗結果
    4.4 小結
第5章 估計固定在標定板上的激光器的姿勢
    5.1 符號標記
    5.2 問題定義
    5.3 激光器參數(shù)的計算
    5.4 實驗
    5.5 精度分析
    5.6 小結
第6章 無重復視野相機的姿勢估計
    6.1 背景介紹
    6.2 相關研究
        6.2.1 標定具有重復視野的相機的相對姿勢
        6.2.2 標定沒有重復視野的相機的相對姿勢
        6.2.3 標定無重復視野相機的最新方法
    6.3 數(shù)學工具
        6.3.1 用四元數(shù)表示旋轉矩陣
        6.3.2 Levenberg-Marquardt非線性優(yōu)化方法
        6.3.3 Plücker坐標系
    6.4 共面約束算法
        6.4.1 數(shù)學模型
        6.4.2 算法流程
        6.4.3 共面條件
        6.4.4 相對姿勢估計
        6.4.5 參數(shù)的全局優(yōu)化
    6.5 共線約束算法
        6.5.1 數(shù)學模型
        6.5.2 算法流程
        6.5.3 相對姿勢的線性估計
        6.5.4 相對姿勢的非線性估計
        6.5.5 參數(shù)的全局優(yōu)化
    6.6 仿真實驗
        6.6.1 不同數(shù)據(jù)量的影響
        6.6.2 不同噪聲水平的影響
        6.6.3 不同相機配置的影響
    6.7 實際實驗
        6.7.1 將基于激光束的標定方法用于標定車載相機系統(tǒng)
        6.7.2 實際環(huán)境下的比較實驗
        6.7.3 對光照條件的魯棒性實驗
    6.8 小結
第7章 基于RGB-D相機的通過單次學習的動作識別
    7.1 研究背景
    7.2 相關工作
    7.3 提取初始姿勢
        7.3.1 數(shù)據(jù)描述
        7.3.2 提取靜態(tài)姿勢
        7.3.3 自然姿勢
    7.4 視頻分割
    7.5 基于關鍵姿勢的動作識別
        7.5.1 對關鍵姿勢的時間聚焦
        7.5.2 在關鍵姿勢內(nèi)部的空間聚焦
        7.5.3 匹配關鍵姿勢
    7.6 實驗
    7.7 小結
第8章 總結與展望
參考文獻
作者簡介及在學期間發(fā)表的學術論文與研究成果


【參考文獻】：
期刊論文
[1]基于Kinect的實時人體姿勢識別[J]. 劉開余,夏斌.  電子設計工程. 2014(19)



本文編號：2937349