【摘要】：實時環(huán)境感知系統(tǒng)在自動駕駛技術(shù)中處于十分關(guān)鍵的地位。依靠不同類型的傳感器,環(huán)境感知系統(tǒng)能夠?qū)崟r采集周圍環(huán)境的基本信息。在獲取了稠密且充足的三維場景數(shù)據(jù)后,如何精確地描述道路環(huán)境中障礙分布已經(jīng)成為新的研究課題。由于人造道路環(huán)境由水平地面和垂直面占據(jù),而且這些平面在三維空間中呈現(xiàn)出的不同姿態(tài)決定了其在視差空間中的特點�；谶@個事實,本文著重研究了基于視差空間的通用障礙物檢測算法。利用一種名為“Stixel”的緊湊的中級表征方式,在圖像域中以圖像分割的形式分割障礙物區(qū)域。本文從傳感器特點出發(fā),比較了立體視覺、結(jié)構(gòu)光法和飛行時間法測距方式,選擇了雙目立體攝像頭作為深度信息傳感器。首先搭建了一套精確的雙目立體視覺系統(tǒng),利用張氏標(biāo)定法標(biāo)定相機(jī)參數(shù),利用Bouguet算法校正雙目圖像,獲得了去畸變的極線對齊的左右視圖。然后提出了適用于戶外場景的改進(jìn)的SGM算法,得到了一張噪聲較小的視差圖作為后續(xù)檢測算法的輸入。進(jìn)一步地,提出了基于視差空間的障礙物檢測算法,在圖像域中采用自下而上的方法,級聯(lián)了多個獨立的步驟實現(xiàn)了Stixel的獲取。使用這種新穎的表示方式,代替了大量原始三維點云數(shù)據(jù)的處理。同時設(shè)計了一種運(yùn)動估計模型,結(jié)合了動態(tài)規(guī)劃算法,獲取了動態(tài)障礙物。最后基于Middlebury立體視覺數(shù)據(jù)集測試改進(jìn)的立體匹配算法,相較于原算法,誤匹配率更低。基于KITTI視覺數(shù)據(jù)集、HCI數(shù)據(jù)集和6D-vision數(shù)據(jù)集,針對行車場景障礙物檢測算法實驗。實驗結(jié)果表明準(zhǔn)確率優(yōu)于原有算法,并且可以實時處理視頻序列。本次論文的貢獻(xiàn)在于證明了用視差空間圖代替三維點云或體素的方法,可以有效并可靠地檢測障礙物。此外,本次論文拓展了雙目立體視覺在行車場景分析的應(yīng)用,提供了一套快速可靠的道路障礙物檢測方法。
【學(xué)位授予單位】：天津職業(yè)技術(shù)師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP391.41;U463.6
【圖文】：

其關(guān)鍵在于使智能駕駛車輛更好地模擬人類駕駛員的感知駛態(tài)勢。具體包括行車感知、交通信號感知、交通標(biāo)識感知等。為實現(xiàn)最優(yōu)的動態(tài)路徑規(guī)劃，智能車輛在行駛環(huán)境境的區(qū)域可通行性，對道路邊界和路內(nèi)動態(tài)障礙物進(jìn)行現(xiàn)既需要合適的感知設(shè)備，也離不開相應(yīng)的感知技術(shù)。環(huán)所需感知設(shè)備和感知技術(shù)的差異。

索智能車輛的關(guān)鍵技術(shù)問題。以卡內(nèi)基梅隆大學(xué)的 Navlab 系統(tǒng)[8]為代表，該系統(tǒng)的導(dǎo)航主要基于視覺傳感器得到的顏色和紋理信息對道路場景進(jìn)行理解，識別出道路的邊緣并使車輛跟著道路行駛，再結(jié)合激光雷達(dá)檢測到的障礙物并進(jìn)行地形分析，從而較好的避開障礙物，進(jìn)行安全巧導(dǎo)航。自此，很多公司和研究機(jī)構(gòu)都開發(fā)出了地面自主車的原型系統(tǒng)。從 2004 年開始，DAPRA[9]資助并舉辦了無人駕駛機(jī)器人挑戰(zhàn)賽（DARPA GrandChallenge），該挑戰(zhàn)賽的目的是刺激可軍用的自主式地面車輛的技術(shù)創(chuàng)新。2004 年，第一屆比賽在美國莫哈韋沙漠舉行，全程約 240 公里。令人遺憾的是沒有車輛完成比賽。卡內(nèi)基梅隆大學(xué)的汽車 Sandstorm（圖 1-2(a)）走了最遠(yuǎn)的距離，完成了 11.78 公里的路程。2005年 10 月，第二屆挑戰(zhàn)賽及仍然在沙漠中舉行，相比第一屆比賽，本次賽程的道路情況更惡劣，同時增加了許多額外的障礙，最終由斯坦福大學(xué)的 Stanley[10]（圖 1-2(b)）奪得第一名。2007 年 11 月，第三屆挑戰(zhàn)賽在喬治空軍基地舉辦，被稱為“城市挑戰(zhàn)賽”，增加了考察車輛與車輛交互決策能力的項目，最終由來自卡內(nèi)基梅隆大學(xué)的無人車 Boss（圖 1-2(c)）奪得冠軍。自此，引發(fā)了自動駕駛技術(shù)里程碑式的發(fā)展，多家大學(xué)實驗室和車企投入自動駕駛技術(shù)的研發(fā)[12]。

在自動駕駛研究具有開拓性進(jìn)展的代表有：戴姆勒的 6D-Vision（圖1-3(a)），6D-Vision 使用立體視覺來確定圖像點的 3D 位置。此外，在序列中的若干圖像上跟蹤圖像中的點以測量速度（光流），最后通過適當(dāng)?shù)臑V波來確定 3D 速度。以上將 3D 位置和 3D 運(yùn)動一起結(jié)合的方法，稱為 6D-Vision[13]。由德國卡爾斯魯厄理工學(xué)院和豐田芝加哥技術(shù)研究院聯(lián)合創(chuàng)辦的自動駕駛場景下的計算機(jī)視覺算法評測數(shù)據(jù)集 KITTI（圖 1-3(b)）。KITTI 搭建的平臺[14][15]配備了四個高分辨率攝像機(jī)，一個 Velodyne 64 線激光雷達(dá)和一個最先進(jìn)的定位系統(tǒng)�；鶞�(zhǔn)測試包括 389 個立體視覺和光流圖像對，39.2 公里長度的立體視覺測距序列，以及在雜亂場景中捕獲的超過 20 萬個 3D 物體注釋（每個圖像可以看到多達(dá) 15 輛汽車和 30 個行人）。圖 1-3 國外自動駕駛研究機(jī)構(gòu)2009 年，谷歌公司啟動了無人駕駛汽車項目，設(shè)計了“機(jī)器人系統(tǒng)”為核心的無人駕駛汽車。研究內(nèi)容側(cè)重外部環(huán)境感知、檢測、判別、決策和控制算法[16]。其研發(fā)的自主車輛（圖 1-3(c)）頂部安裝 64 線激光雷達(dá)用于環(huán)境目標(biāo)物體檢測和三維環(huán)境建圖

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 高強(qiáng);盧云朋;楊紅葉;;基于差異的視差估計方法研究[J];電視技術(shù);2015年03期

2 安平,張兆揚(yáng);立體圖像分層交疊塊視差估計與自適應(yīng)補(bǔ)償[J];通信學(xué)報;2003年03期

3 任云;程福林;黎洪松;;基于頻率敏感三維自組織映射的立體視頻視差估計算法[J];計算機(jī)工程;2018年05期

4 薛遠(yuǎn)洋;于曉艷;由春秋;;基于區(qū)域的自適應(yīng)加權(quán)視差估計算法[J];電子制作;2013年23期

5 朱仲杰,蔣剛毅,郁梅,吳訓(xùn)威;基于MPEG-2的立體視頻編碼中的視差估計快速算法[J];科技通報;2003年01期

6 任云;程福林;黎洪松;;基于頻率敏感三維自組織映射的視差估計算法[J];計算機(jī)科學(xué);2017年S2期

7 袁力;張怡;丁麗君;;基于加權(quán)匹配代價的初始視差估計算法[J];計算機(jī)技術(shù)與發(fā)展;2011年10期

8 來毅;劉穎;孟義祥;朱婷鴿;;一種均值漂移與圖割相結(jié)合的視差估計[J];西安郵電大學(xué)學(xué)報;2017年06期

9 戴萬長;;結(jié)合Kalman濾波和均值偏移的多視點視差估計[J];計算機(jī)應(yīng)用與軟件;2018年06期

10 ;對視差估計中攝像機(jī)增益差的校正(英文)[J];中國圖象圖形學(xué)報;1997年10期

相關(guān)會議論文 前2條

1 邱濤;郁梅;彭宗舉;李福翠;徐秋敏;蔣剛毅;;一種交互式多視點系統(tǒng)中的多分辨率視差估計算法[A];第三屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會議（HHME2007）論文集[C];2007年

2 田立國;丁航;劉s

本文編號：2798368