【摘要】：隨著我國社會經(jīng)濟(jì)的持續(xù)發(fā)展,汽車保有量呈現(xiàn)快速增長趨勢,導(dǎo)致道路交通事故數(shù)量及傷亡人數(shù)持續(xù)攀升。近些年隨著科學(xué)的進(jìn)步,大量先進(jìn)的電子輔助設(shè)備開始應(yīng)用到汽車上,如電子穩(wěn)定控制和先進(jìn)的制動系統(tǒng)、行人保護(hù)、車道偏離和盲區(qū)危險(xiǎn)警告功能,其為減少交通事故傷亡做出了很大的貢獻(xiàn)。但因輔助駕駛技術(shù)的發(fā)展需要過程,很多技術(shù)細(xì)節(jié)目前尚未完全解決,目前的車輛電子輔助系統(tǒng)還無法完全實(shí)現(xiàn)智能輔助駕駛,從而無法針對不同的行駛風(fēng)險(xiǎn)級別,通過預(yù)警、警告、接管車輛控制等方式,最大限度減少人因?qū)е碌慕煌ㄊ鹿�。為了通過應(yīng)用先進(jìn)的輔助駕駛系統(tǒng)達(dá)到減少交通事故或降低其嚴(yán)重程度的目標(biāo),首要前提是基于多源傳感器技術(shù),實(shí)現(xiàn)對道路交通環(huán)境的感知及實(shí)時行車風(fēng)險(xiǎn)評價。為此,本論文在前人研究成果的基礎(chǔ)上,開展道路交通場景類型識別、道路交通場景分割、車道線識別及車輛行駛風(fēng)險(xiǎn)評價方法研究,以實(shí)現(xiàn)更高質(zhì)量的道路交通環(huán)境感知及行車風(fēng)險(xiǎn)評價。本論文取得了如下幾個方面的研究成果:1)提出了基于圖像特征的道路交通場景類型識別方法將道路交通場景圖像分為城市道路、普通公路及高速公路三類,分析了三類道路交通場景圖像中存在的特征差異性。先對場景圖像進(jìn)行了預(yù)處理,提取了場景圖像的指路標(biāo)志特征、道口標(biāo)柱特征及圖像熵特征;根據(jù)場景圖像特征對VGG-Net模型進(jìn)行了微調(diào),獲得場景識別預(yù)測值。同時根據(jù)不同場景內(nèi)不同特征的先驗(yàn)概率值進(jìn)行了特征后驗(yàn)概率計(jì)算,將場景預(yù)測值結(jié)合貝葉斯分類方法對道路交通場景類型進(jìn)行了精確識別。使用國內(nèi)道路交通場景數(shù)據(jù)集進(jìn)行了方法驗(yàn)證,識別的準(zhǔn)確率可以達(dá)到93%。2)提出了基于信息融合的道路交通場景分割方法針對車載硬件平臺,設(shè)計(jì)了信息融合策略,通過雷達(dá)坐標(biāo)系到球面坐標(biāo)系的映射以及球面坐標(biāo)系到圖像像素坐標(biāo)系的映射關(guān)系,構(gòu)建了雷達(dá)坐標(biāo)系與圖像像素坐標(biāo)系之間的轉(zhuǎn)換模型,將雷達(dá)數(shù)據(jù)點(diǎn)與圖像像素點(diǎn)進(jìn)行了關(guān)聯(lián)。構(gòu)建了基于語義分割的車輛前端交通場景目標(biāo)識別模型,模型通過建立空間與深度變換關(guān)系,改進(jìn)了Deep Lab V3-Plus網(wǎng)絡(luò)結(jié)構(gòu);通過空間到深度轉(zhuǎn)換建立了模型編碼模塊中初級特征與解碼模塊的關(guān)聯(lián);采用深度到空間轉(zhuǎn)換替代上采樣過程,加強(qiáng)了輸出細(xì)節(jié)。通過融合雷達(dá)數(shù)據(jù)與分割后的場景目標(biāo)信息得到了高層決策信息。本文方法在國際公開數(shù)據(jù)集和國內(nèi)道路交通場景數(shù)據(jù)上的測試效果較好,測試IOU0.8。3)提出了基于馬爾可夫鏈的車道線識別算法先將圖像劃分為不同子區(qū),根據(jù)圖像熵分布將圖像分割為車道候選區(qū)域和無效區(qū)域,然后根據(jù)車道線特征進(jìn)行了圖像預(yù)處理,得到了車道線的邊緣特征圖像,再使用霍夫變換識別圖像內(nèi)的直線,考慮當(dāng)前時刻車道線位置和斜率,并結(jié)合上一時刻車道線狀態(tài),使用馬爾可夫鏈進(jìn)行了車道線的狀態(tài)轉(zhuǎn)移概率計(jì)算,選擇轉(zhuǎn)移概率最大值作為車道線識別結(jié)果。使用國內(nèi)道路場景數(shù)據(jù)集進(jìn)行了算法驗(yàn)證,車道線識別的準(zhǔn)確率達(dá)到94.8%。4)提出了基于模糊推理的車輛行駛風(fēng)險(xiǎn)評價方法為了研究不同行駛狀態(tài)下駕駛行為選擇與車輛行駛風(fēng)險(xiǎn)之間的關(guān)系,以第2章至第4章的道路交通場景類型識別、交通場景分割、車道線識別為基礎(chǔ),以駕駛行為選擇為橋梁,選取了能夠很好表征自由流狀態(tài)、跟馳狀態(tài)、換道狀態(tài)等行駛風(fēng)險(xiǎn)的特征參數(shù);基于模糊推理設(shè)計(jì)了自由流狀態(tài)、跟馳狀態(tài)、換道狀態(tài)下特征參數(shù)的隸屬度函數(shù)和行車風(fēng)險(xiǎn)推理規(guī)則。搭建實(shí)車試驗(yàn)平臺,基于識別到的道路交通場景信息和自然駕駛過程中車輛運(yùn)行狀態(tài)數(shù)據(jù)檢驗(yàn)本文提出的評價方法的應(yīng)用效果。
【圖文】：

輛行駛風(fēng)險(xiǎn)評價方法行車風(fēng)險(xiǎn)的研究方法主要分為兩類：一類是從宏觀層面出發(fā)，，，如基于交通事故總量對行車風(fēng)險(xiǎn)進(jìn)行評價；另一類是從微觀的行車風(fēng)險(xiǎn)進(jìn)行評價。近年來大量的學(xué)者開始從駕駛狀態(tài)、車為和車輛狀態(tài)來研究單個車輛行駛風(fēng)險(xiǎn)的評價。目前國外學(xué)者度判斷行車風(fēng)險(xiǎn)。[76]基于全國道路交通事故大數(shù)據(jù)研究得出，涉及人的因素占到輛行駛風(fēng)險(xiǎn)具有顯著性的影響。駕駛?cè)瞬扇〉牟煌{駛行為是素。美國在 19 世紀(jì) 80 年通過交通事故深度分析，得出人、車事故中的占比如圖 1.1 所示[77]。通過上述基于交通事故宏觀層注意力不集中、酒后、年齡、接打手機(jī)等描述駕駛?cè)藸顟B(tài)的因錯誤的駕駛行為導(dǎo)致了交通事故的發(fā)生。

技術(shù)路線圖
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2019
【分類號】：U463.6;U492.8

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡兆勇;葛海松;易穎祥;;虛擬交通場景編輯平臺開發(fā)[J];現(xiàn)代電子技術(shù);2010年10期

2 婁燕;盧永明;何漢武;;動態(tài)虛擬智能交通場景的研究與實(shí)現(xiàn)[J];計(jì)算機(jī)工程;2008年24期

3 周穎;嚴(yán)利鑫;吳青;高嵩;吳超仲;;基于虛擬現(xiàn)實(shí)技術(shù)的典型動態(tài)交通場景的設(shè)計(jì)與實(shí)現(xiàn)[J];交通信息與安全;2013年01期

4 譚曉軍;沈偉;郭志豪;;交通場景中運(yùn)動分割問題的研究[J];計(jì)算機(jī)工程;2006年05期

5 曲仕茹;席玉玲;丁松濤;;基于深度學(xué)習(xí)的交通場景語義描述[J];西北工業(yè)大學(xué)學(xué)報(bào);2018年03期

6 畢松;刁奇;孫貴賓;韓存武;;交通場景物體檢測模型研究[J];計(jì)算機(jī)仿真;2018年10期

7 朱昶勝;楊青;王杰;馮文芳;;基于城市交通場景的仿真研究[J];計(jì)算機(jī)仿真;2014年04期

8 彭新榮;王冰;謝強(qiáng)德;;典型交通場景下智能車的定位與協(xié)作[J];微型電腦應(yīng)用;2010年09期

9 徐建閩;楊傳崗;林培群;;視頻交通場景的背景生成方法研究[J];公路交通科技;2009年08期

10 ;勞斯伯格為無人駕駛提供模擬隧道交通場景[J];上海建材;2016年04期

相關(guān)會議論文 前4條

1 楊華;鄒月嫻;劉志剛;時廣軼;關(guān)佩;王一言;;基于視頻的復(fù)雜交通場景車輛跟蹤技術(shù)研究[A];第六屆全國信息獲取與處理學(xué)術(shù)會議論文集（1）[C];2008年

2 楊剛;任毅龍;;面向城市路網(wǎng)運(yùn)行分析的微縮車聯(lián)網(wǎng)平臺設(shè)計(jì)[A];第十一屆中國智能交通年會大會論文集[C];2016年

3 賴金濤;章程;馬成元;楊澤林;;基于多源數(shù)據(jù)的快速路交通平行實(shí)驗(yàn)平臺搭建[A];第十三屆中國智能交通年會大會論文集[C];2018年

4 劉小明;張杰;王文;;突發(fā)事件下交通干預(yù)控制框架研究與設(shè)計(jì)[A];2008第四屆中國智能交通年會論文集[C];2008年

相關(guān)重要報(bào)紙文章 前10條

1 本報(bào)記者 黃仕強(qiáng);交通場景緣何成為支付行業(yè)的“香餑餑”？[N];工人日報(bào);2019年

2 北京商報(bào)記者 岳品瑜 實(shí)習(xí)記者 任利;招數(shù)加碼 支付巨頭鏖戰(zhàn)交通場景[N];北京商報(bào);2019年

3 本報(bào)記者 矯陽;科幻電影中的交通場景正在變成現(xiàn)實(shí)[N];科技日報(bào);2018年

4 北京商報(bào)記者 劉雙霞;支付接入交通場景仍欠穩(wěn)定性[N];北京商報(bào);2017年

5 本報(bào)記者 白麟;31支車隊(duì)爭奪“最強(qiáng)車腦”[N];重慶日報(bào);2019年

6 重慶商報(bào)-上游財(cái)經(jīng)記者 嚴(yán)薇;自動駕駛來了 挑戰(zhàn)8D魔幻城市[N];重慶商報(bào);2018年

7 記者 白麟;設(shè)置14個場景 更接近真實(shí)路況[N];重慶日報(bào);2019年

8 中國青年報(bào)·中青在線記者 許亞杰;揭秘首鋼園內(nèi)黑科技 自動駕駛汽車“定檔”北京冬奧會[N];中國青年報(bào);2019年

9 本報(bào)記者 雍黎 實(shí)習(xí)生 蔣紀(jì)源;“最難考場”比拼自動駕駛 無人階段離我們還很遠(yuǎn)[N];科技日報(bào);2019年

10 重慶商報(bào)-上游新聞記者 嚴(yán)薇;自動駕駛挑戰(zhàn)賽 看31支車隊(duì)哪家“智商”最高[N];重慶商報(bào);2019年

相關(guān)博士學(xué)位論文 前10條

1 陳松;道路交通環(huán)境感知及行車風(fēng)險(xiǎn)評價方法研究[D];吉林大學(xué);2019年

2 張北;軌道交通場景無線信道測量與多鏈路建模研究[D];北京交通大學(xué);2018年

3 鄧燕子;面向交通場景的空間布局理解和語義分割方法研究[D];西安電子科技大學(xué);2017年

4 嚴(yán)金豐;復(fù)雜交通場景中運(yùn)動目標(biāo)智能監(jiān)控[D];中國科學(xué)技術(shù)大學(xué);2014年

5 宋威龍;城區(qū)動態(tài)環(huán)境下智能車輛行為決策研究[D];北京理工大學(xué);2016年

6 譚論正;基于視覺的駕駛行為建模[D];中南大學(xué);2014年

7 官科;軌道交通場景電波傳播建模理論與方法研究[D];北京交通大學(xué);2014年

8 陳先橋;霧天交通場景中退化圖像的增強(qiáng)方法研究[D];武漢理工大學(xué);2008年

9 薛曉卿;車聯(lián)網(wǎng)環(huán)境下的交通安全預(yù)警方法研究[D];北京理工大學(xué);2016年

10 郭t

本文編號：2599625