论文部分内容阅读
无人车在众多领域都具有越来越广泛的应用前景,障碍物检测识别技术是无人车研究领域一个至关重要的方面,更是研究的热点与难点,尤其是无人车对于越野环境下的障碍物检测识别。本文针对越野环境下的主要障碍物,提出了一种基于多传感器融合的障碍物检测识别方法。主要内容如下:首先,对于本文中所用的摄像机与激光雷达系统,本文研究并提出了一种基于平面特征的像素级联合标定方法,该方法对于激光雷达的自身标定同样适用。本文利用张正友方法完成了摄像机的标定,同时基于本文方法完成了激光雷达自身标定与两者联合标定。通过试验验证,本文所提出的联合标定方法的精度能够达到1.2931mm,为后续障碍物位置的确定提供了可靠依据。其次,针对感兴趣区域提取问题,在基于视觉图像的感兴趣区域提取方面,本文提出了一种基于HSV空间的Fisher准则函数分割和基于Lab空间的K-means聚类分割相结合的彩色图像分割算法,该方法能够将障碍物区域准确分割出来并具有通用性。在基于激光数据的感兴趣区域提取方面,通过对激光数据进行转换生成高度-灰度图,并对其采用K-means聚类分割算法得到分割图像,分割后基于后续形态学处理等操作获得最终感兴趣区域。再次,本文探究了不同特征对于障碍物的区分度,最终选取了基于HSV空间的S/V特征、基于Lab空间的b-a特征、基于激光数据协方差矩阵的λ3/λ2特征和基于激光数据的距离对比度四个识别度较高的特征,同时通过大量训练样本的分析并统计出不同障碍物各特征的特征值区间,为障碍物识别打下了良好基础。最后,本文提出了一种基于D-S证据理论的障碍物识别方法,利用Matlab试验平台对本文所提方法进行试验验证,分别得到基于单一特征与基于D-S证据理论的识别结果并对其进行统计,统计结果表明基于D-S证据理论的识别方法正确率达到88%,远高于基于单一特征的识别方法。同时依据试验结果对基于联合标定的障碍物位置确定方法进行了分析,其结果阐明了联合标定的必要性。所有结果证明本文方法具有良好的准确性、实时性与鲁棒性。