發(fā)布時間：2022-02-10 17:23

　　自動駕駛技術(shù)于未來交通運輸、未來商業(yè)模式、智慧城市等領(lǐng)域有著重要意義。環(huán)境感知是實現(xiàn)自動駕駛的基礎(chǔ)和技術(shù)前提,而多傳感器數(shù)據(jù)融合因能提供冗余且準確的環(huán)境信息,現(xiàn)已成為環(huán)境感知技術(shù)的研究熱點。融合技術(shù)發(fā)展過程中,為了確保精準可靠地檢測目標,常不惜成本選擇性能優(yōu)越的傳感器,但卻也影響技術(shù)的商業(yè)化應(yīng)用。因此,探索低成本的融合技術(shù)具有一定的研究意義與價值。為了改善單一傳感器所造成的檢測效果不佳以及避免多傳感器融合普遍存在成本過高的問題,本文研究了一種基于4線激光雷達點云與視覺圖像數(shù)據(jù)融合的目標檢測方法。本文的主要工作內(nèi)容包括:首先,采用Mask R-CNN卷積神經(jīng)網(wǎng)絡(luò)檢測圖像中的目標,研究了圖像與激光雷達點云的時間、空間融合方法。將傳感器采樣時間統(tǒng)一到相同的時間戳,并對齊于采樣周期長的傳感器數(shù)據(jù)上;標定攝像頭內(nèi)、外參,建立傳感器坐標系的空間轉(zhuǎn)換模型,將同一時刻的數(shù)據(jù)映射到同一空間,實現(xiàn)了兩種傳感器對同一目標的一致性表達。然后,為了利用點云的深度信息獲取目標在真實世界的準確位置,進一步匹配了圖像檢測框與對應(yīng)的點云。采用循環(huán)遍歷算法無法保證匹配效率,于是改進一種R-Tree算法,并驗證了該算法能夠... 

【文章來源】：重慶理工大學(xué)重慶市

【文章頁數(shù)】：84 頁

【學(xué)位級別】：碩士

【部分圖文】：

PointNet架構(gòu)

（實線箭頭表示流程，虛線箭頭表示方法）圖 1.3 毫米波與攝像頭融合的目標檢測系統(tǒng)流程圖文獻[30-32]先預(yù)先處理雷達數(shù)據(jù)，排除虛假目標，再利用傳感器安裝位置關(guān)空匹配模型；根據(jù)雷達檢測結(jié)果在圖像上框定感興趣區(qū)域，由滑窗等手段提

（圖片源自：Multi-view 3D Object Detection Network forAutonomous Driving）圖 1.4 MV3D 網(wǎng)絡(luò)結(jié)構(gòu)示意圖多視圖三維檢測網(wǎng)絡(luò)由兩部分組成：三維 RPN 和基于 RPN 的融合網(wǎng)絡(luò)。在 3 維RPN 網(wǎng)絡(luò)部分，利用卷積層分別從鳥瞰圖（BV）和前視圖（FV）提取點云特征，并在鳥瞰圖分支利用鳥瞰視角的點云產(chǎn)生高度精確的 3D 候選框，然后將特征投射回BV 和 FV 以及圖像的特征層，最后融合 3 個分支的特征。通過這種多視圖的編碼方案，能夠獲得對稀疏 3D 點云更有效和緊湊的表達。在工業(yè)界，百度自動駕駛平臺 Apollo 2.0 也采用激光雷達為主要的感知傳感器感知框架如圖 1.5。激光雷達點云高清地圖提取感興趣區(qū)域

【參考文獻】：
期刊論文
[1]基于單目視覺車輛姿態(tài)角估計和逆透視變換的車距測量[J]. 劉軍,后士浩,張凱,晏曉娟.  農(nóng)業(yè)工程學(xué)報. 2018(13)
[2]一種基于消隱點的單目視覺車輛測距方法[J]. 關(guān)闖,魏朗,喬潔,楊煒.  電子測量技術(shù). 2018(11)
[3]基于深度學(xué)習(xí)的自動駕駛技術(shù)綜述[J]. 張新鈺,高洪波,趙建輝,周沫.  清華大學(xué)學(xué)報(自然科學(xué)版). 2018(04)
[4]視覺與激光點云融合的深度圖像獲取方法[J]. 王東敏,彭永勝,李永樂.  軍事交通學(xué)院學(xué)報. 2017(10)
[5]中國汽車工程學(xué)術(shù)研究綜述·2017[J]. 《中國公路學(xué)報》編輯部.  中國公路學(xué)報. 2017(06)
[6]基于多傳感器融合的前方車輛識別方法研究[J]. 王戰(zhàn)古,邵金菊,高松,孫亮,于杰,譚德榮.  廣西大學(xué)學(xué)報(自然科學(xué)版). 2017(02)
[7]多傳感器信息融合中時間同步方法的研究[J]. 劉釗,戴斌,劉大學(xué).  計算機仿真. 2009(06)

博士論文
[1]車輛自適應(yīng)巡航跟隨控制技術(shù)研究[D]. 馬國成.北京理工大學(xué) 2014

碩士論文
[1]基于毫米波雷達與單目視覺融合的無人機自主避障系統(tǒng)[D]. 陳洪攀.西安電子科技大學(xué) 2018
[2]基于雷達與視覺傳感器信息融合的車輛檢測方法研究[D]. 張中昀.江蘇大學(xué) 2018
[3]高速公路場景下基于深度學(xué)習(xí)的車輛目標檢測與應(yīng)用研究[D]. 張向清.長安大學(xué) 2018
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的車輛檢測與車型辨識算法研究[D]. 陳樹東.電子科技大學(xué) 2018
[5]基于車載攝像機的前方車輛測距測速方法研究[D]. 張亞男.大連海事大學(xué) 2018
[6]基于汽車雷達和攝像頭信息融合的目標檢測方法研究[D]. 向濱宏.重慶大學(xué) 2017
[7]基于單目視覺的智能車前方障礙物識別與測距[D]. 袁雨桐.吉林大學(xué) 2016
[8]汽車前方車輛識別的雷達和視覺信息融合算法開發(fā)[D]. 陳曉偉.吉林大學(xué) 2016
[9]基于雷達和機器視覺融合的前方車輛障礙物檢測[D]. 那田.合肥工業(yè)大學(xué) 2016
[10]基于測距雷達和機器視覺數(shù)據(jù)融合的前方車輛檢測系統(tǒng)[D]. 龐成.東南大學(xué) 2015



本文編號：3619229