本文選題：車路視覺協(xié)同 + 行車環(huán)境感知��； 參考：《長(zhǎng)安大學(xué)》2016年博士論文

【摘要】：行車環(huán)境感知是高級(jí)駕駛輔助系統(tǒng)中最核心的內(nèi)容,其行車環(huán)境信息的獲取通常依賴于車載感知設(shè)備。而在車-路協(xié)同系統(tǒng)中,智能路側(cè)設(shè)備作為另一種重要的環(huán)境信息感知方式,通過車-車/車-路通信技術(shù),實(shí)現(xiàn)與智能車載設(shè)備的感知信息交互,從而使系統(tǒng)獲取更全面豐富的行車環(huán)境信息。然而行車環(huán)境信息復(fù)雜多樣,如何根據(jù)實(shí)際需求對(duì)行車信息進(jìn)行采集、處理及融合,實(shí)現(xiàn)行車環(huán)境感知,是高級(jí)駕駛輔助系統(tǒng)中非常重要的研究課題。本文在提出一種基于車-路視覺協(xié)同的行車環(huán)境感知系統(tǒng)框架的基礎(chǔ)上,針對(duì)系統(tǒng)的信息感知需求,對(duì)車道線和車輛信息感知方法和基于上述感知信息的行車環(huán)境表征方法進(jìn)行研究。具體研究?jī)?nèi)容有:(1)基于車-路視覺協(xié)同的行車環(huán)境感知系統(tǒng)框架設(shè)計(jì)。在深入分析高級(jí)駕駛輔助系統(tǒng)的行車環(huán)境信息感知與交互需求的基礎(chǔ)上,結(jié)合車路協(xié)同系統(tǒng)基本結(jié)構(gòu),提出了一種基于車路視覺協(xié)同的行車環(huán)境感知系統(tǒng)框架。該框架以路側(cè)相機(jī)和車載相機(jī)作為主要傳感裝置,以車-路通信方式進(jìn)行數(shù)據(jù)傳輸和交互,以智能路側(cè)設(shè)備和智能車載終端作為行車環(huán)境感知與交互的核心載體,實(shí)現(xiàn)車輛自身狀態(tài)感知和車道線、障礙車輛等環(huán)境信息的感知。(2)基于車載視頻的結(jié)構(gòu)化道路車道線識(shí)別方法研究。在傳統(tǒng)基于模型匹配的車道線檢測(cè)與跟蹤方法的基礎(chǔ)上,進(jìn)一步考慮車道線類型對(duì)衡量車輛變道行為是否合法的重要性,實(shí)現(xiàn)了一種基于非均勻B樣條(NUBS)曲線模型匹配的車道線檢測(cè)、分類與跟蹤方法。在根據(jù)車道線邊緣信息確定NUBS曲線控制點(diǎn)的基礎(chǔ)上,首先制定車道線分類策略,將車道線分為虛、實(shí)兩類;然后利用NUBS曲線重構(gòu)和曲線估計(jì)實(shí)現(xiàn)車道線檢測(cè)與跟蹤。實(shí)驗(yàn)結(jié)果表明該方法能夠有效地實(shí)現(xiàn)車道線的檢測(cè)、分類與跟蹤,而且對(duì)車道線邊緣信息小部分丟失的情況有較好的魯棒性。(3)基于路側(cè)視頻的車輛檢測(cè)與跟蹤方法研究。針對(duì)車輛邊緣特征提取易受噪聲和背景干擾的問題,提出基于非采樣高斯差分多尺度邊緣融合的車輛檢測(cè)方法。經(jīng)過非采樣高斯差分金字塔分解、邊緣檢測(cè)和邊緣融合得到的車輛多尺度邊緣圖像,繼承了大、小尺度圖像邊緣的優(yōu)點(diǎn),同時(shí)消除了金字塔分解過程中上/下采樣對(duì)邊緣檢測(cè)結(jié)果的影響。對(duì)車輛多尺度邊緣圖像進(jìn)行形態(tài)學(xué)處理和連通性分析即可實(shí)現(xiàn)車輛檢測(cè)。實(shí)驗(yàn)結(jié)果表明該方法能夠較好地實(shí)現(xiàn)不同天氣條件下的車輛檢測(cè)。針對(duì)傳統(tǒng)方法中車輛檢測(cè)與跟蹤用不同方法實(shí)現(xiàn),算法復(fù)雜度較高的問題,提出基于SIFT特征匹配的車輛檢測(cè)與跟蹤方法。相鄰兩幀圖像經(jīng)過SIFT特征匹配、幾何對(duì)齊和差分后,在得到的差分圖像上通過搜索絕對(duì)誤差和較大區(qū)域?qū)崿F(xiàn)車輛檢測(cè)。建立車輛跟蹤樣本集,將車輛檢測(cè)的結(jié)果作為跟蹤樣本,與當(dāng)前幀進(jìn)行SIFT特征匹配實(shí)現(xiàn)車輛跟蹤。此外,制定樣本集更新機(jī)制,識(shí)別和處理車輛駛?cè)�、駛出相機(jī)視野以及停駛?cè)N情況下的車輛跟蹤問題。(4)基于車-路視覺協(xié)同感知信息的行車環(huán)境表征方法研究。首先實(shí)現(xiàn)了基于Occupancy grid的行車環(huán)境表征方法。該方法改進(jìn)了傳統(tǒng)Occupancy grid模型點(diǎn)對(duì)點(diǎn)的數(shù)據(jù)映射關(guān)系,考慮車輛大小信息對(duì)行車環(huán)境表征結(jié)果的影響,將車輛位置坐標(biāo)點(diǎn)通過高斯分布映射到模型中。采用貝葉斯概率理論融合車輛位置與車道線信息,計(jì)算模型中每個(gè)單元的“空閑”和“占用”概率。實(shí)驗(yàn)結(jié)果表明,改進(jìn)后的方法能夠?qū)崿F(xiàn)更準(zhǔn)確的行車環(huán)境表征。進(jìn)一步地,考慮Occupancy grid計(jì)算量大且貝葉斯概率理論不能處理“不確定”問題的缺點(diǎn),提出基于動(dòng)態(tài)信任度網(wǎng)格的行車環(huán)境表征方法。根據(jù)車輛大小和車道線位置信息建立網(wǎng)格模型,采用Dempster-Shafer證據(jù)理論對(duì)GPS車輛位置信息、車輛檢測(cè)與跟蹤信息和車道線類型信息進(jìn)行融合,計(jì)算網(wǎng)格中每個(gè)單元“空閑”、“占用”、“危險(xiǎn)”狀態(tài)的信任度。與前一種方法相比,該方法的行車環(huán)境表征結(jié)果更加精確。為了對(duì)上述行車環(huán)境表征結(jié)果的準(zhǔn)確性和表征方法的實(shí)用性進(jìn)行應(yīng)用型驗(yàn)證,論文基于行車環(huán)境表征結(jié)果,進(jìn)一步實(shí)現(xiàn)了基于貝葉斯網(wǎng)絡(luò)的變道行為輔助決策和基于規(guī)則融合的變道行為輔助決策。前者通過貝葉斯網(wǎng)絡(luò)輸出“不變道”、“向左變道”、“向右變道”三種決策,將具有最大期望效用值的決策視為最優(yōu)決策;后者通過對(duì)空間成本、碰撞時(shí)間以及需求加速度三種規(guī)則的數(shù)值計(jì)算,輸出包含加速度信息的更精細(xì)的變道決策。實(shí)驗(yàn)結(jié)果表明,決策結(jié)果在保證了行車安全性的前提下較好地迎合駕駛員的變道意愿,也證明了本文行車環(huán)境感知方法的有效性。
[Abstract]:In this paper , based on the vehicle - road visual cooperative driving environment perception system framework , the vehicle - vehicle / vehicle - road communication technology is used to realize the sensing and interaction of traffic environment , which is based on the vehicle - vehicle / vehicle - road communication technology . A vehicle detection method based on non - sampling Gaussian differential multi - scale edge fusion is presented in this paper . The results show that the decision - making results meet the driver ' s changing wishes well under the precondition of ensuring the driving safety , and the effectiveness of the method is also proved .

【學(xué)位授予單位】：長(zhǎng)安大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 田炳香;鄭榜貴;吳晴;;高速公路車道線檢測(cè)與跟蹤算法研究[J];現(xiàn)代電子技術(shù);2008年09期

2 葉慶;趙明輝;李菲;孫曉泉;;夜間車道線檢測(cè)與跟蹤算法研究[J];現(xiàn)代電子技術(shù);2009年13期

3 余厚云;張為公;;直線模型下的車道線跟蹤與車道偏離檢測(cè)[J];自動(dòng)化儀表;2009年11期

4 余厚云;張為公;;基于動(dòng)態(tài)感興趣區(qū)域的車道線識(shí)別與跟蹤[J];工業(yè)儀表與自動(dòng)化裝置;2009年05期

5 劉富強(qiáng);張姍姍;朱文紅;李志鵬;;一種基于視覺的車道線檢測(cè)與跟蹤算法[J];同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年02期

6 胡慶新;吳林成;顧愛華;;高速公路中搜索車道線的方法[J];微計(jì)算機(jī)信息;2010年22期

7 高德芝;段建民;楊磊;楊喜寧;;應(yīng)用多階動(dòng)態(tài)規(guī)劃的車道線識(shí)別方法[J];機(jī)械工程學(xué)報(bào);2011年08期

8 楊晶東;楊敬輝;樸松昊;;一種有效的車道線識(shí)別與偏道預(yù)警方法[J];控制工程;2011年02期

9 徐后杰;李會(huì)方;繆國(guó)鋒;;基于單目視覺的車道線分離警告算法研究[J];微處理機(jī);2011年03期

10 錢鷹;劉仕照;;分段切換車道模型在車道線識(shí)別中的應(yīng)用[J];計(jì)算機(jī)應(yīng)用;2011年S2期

相關(guān)會(huì)議論文 前8條

1 畢雁冰;;提高車道線識(shí)別精度的一種方法[A];第三屆中國(guó)CAE工程分析技術(shù)年會(huì)論文集[C];2007年

2 楊廣林;苗冬霜;;結(jié)構(gòu)化道路車道線檢測(cè)與跟蹤算法[A];2005年全國(guó)理論計(jì)算機(jī)科學(xué)學(xué)術(shù)年會(huì)論文集[C];2005年

3 劉曉龍;鄧志東;;基于全局與局部模型相互制約及具有模型不確定性評(píng)估的車道線檢測(cè)方法[A];2013年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第三分冊(cè)）[C];2013年

4 張潔穎;王生進(jìn);丁曉青;;基于車輛軌跡的車道線檢測(cè)與劃分[A];圖像圖形技術(shù)與應(yīng)用進(jìn)展——第三屆圖像圖形技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2008年

5 余貴珍;李芹;王迪;;車輛智能化車道線跟蹤方法研究[A];第八屆中國(guó)智能交通年會(huì)優(yōu)秀論文集——智能交通與安全[C];2013年

6 李鋼;圣華;張仁斌;;基于LMedSquare選取最佳子集的車道線檢測(cè)算法[A];2009全國(guó)虛擬儀器大會(huì)論文集（二）[C];2009年

7 劉天輝;李飛;;車輛視覺導(dǎo)航中道路檢測(cè)算法研究[A];第十一屆沈陽科學(xué)學(xué)術(shù)年會(huì)暨中國(guó)汽車產(chǎn)業(yè)集聚區(qū)發(fā)展與合作論壇論文集（信息科學(xué)與工程技術(shù)分冊(cè)）[C];2014年

8 孫曉軍;李華;;基于Facet模型的一種車道線提取方法[A];第八屆中國(guó)智能交通年會(huì)論文集[C];2013年

相關(guān)博士學(xué)位論文 前6條

1 杜明芳;基于視覺的自主車道路環(huán)境理解技術(shù)研究[D];北京理工大學(xué);2015年

2 王俊;無人駕駛車輛環(huán)境感知系統(tǒng)關(guān)鍵技術(shù)研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2016年

3 穆柯楠;基于車—路視覺協(xié)同的行車環(huán)境感知方法研究[D];長(zhǎng)安大學(xué);2016年

4 陳軍;基于DSP的高速公路車道偏離報(bào)警系統(tǒng)研究[D];天津大學(xué);2010年

5 沈\，

本文編號(hào)：1784140