论文部分内容阅读
智能驾驶技术不但能够降低人类驾驶劳动强度,而且可以有效避免交通事故,提高汽车行驶的安全性。作为智能驾驶环境感知模块的重要的组成部分,车辆及车道线的识别一直以来都是研究的热点。本文提出一种基于视觉和毫米波雷达的车辆及车道线识别方法,旨在通过采用机器学习和多传感器融合的方法,提高复杂交通环境下车辆与车道线识别的可靠性和精度。本文主要研究内容如下:搭建了视觉与毫米波雷达车载传感器平台,基于坐标空间模型和联合标定实现了多传感时空同步。基于Adaboost-Haar算法建立车辆识别预测模型。针对传统训练样本人工采集方法成本高的缺点,提出了基于视觉跟踪和半监督迭代训练的样本获取方法。设计了具有较好精度和稳定性的视觉跟踪算法并开发了样本采集软件,从而大大提高了样本采集的自动化程度。在模型训练中,采用了半监督迭代训练的学习方法,从而充分利用各阶段识别预测模型已具备的分类能力来进行样本采集,不但降低了样本采集的人工劳动强度,而且通过闭环反馈提高了分类器分类能力。提出了基于视觉的自适应多车辆目标跟踪算法。建立了具有目标噪声特性在线统计模块的自适应Kalman滤波的车辆滤波器。提出了基于全局最邻近(Global Nearest Neighboring,GNN)和局部校验的多目标关联算法,并基于时序分析和有限状态机(Finite State Machine,FSM)对多目标航迹进行管理。上述跟踪方法有效提高了动态多车辆场景下,目标跟踪的精度和稳定性。建立了具有较强抗干扰能力的车道线识别算法。基于局部稠密光流和场景先验知识提出车辆3D掩膜生成方法对场景中车辆干扰剔除。采用信息维度更高的斑块特征(Blobs)作为车道特征,并提出了基于关联双空间的车道Blobs分类模型。算法采用纵向识别区域划分的框架,通过自适应K-Means和由近及远的车道追溯方法动态确定车道Blobs分类模型参数。最后采用直线和Catmull-Rom样条自适应切换的道路模型对车道进行拟合。对毫米波雷达及视觉传感器融合方法进行研究。基于四维Kalman滤波、椭圆波门、最邻近数据关联及滑窗逻辑建立了毫米波雷达多目标跟踪方法。通过实验对雷达及视觉测距特性进行评价,并基于实验结论对雷达与视觉的多目标航迹关联及状态冗余决策算法进行设计。从而充分发挥不同传感器的感知特性优势,弥补不同传感器感知特性的不足,有效提高道路环境感知的能力。