基于視覺(jué)導(dǎo)航的智能車(chē)輛在城區(qū)復(fù)雜場(chǎng)景中的目標(biāo)檢測(cè)技術(shù)研究.pdf

1、智能車(chē)輛作為智能交通系統(tǒng)的關(guān)鍵技術(shù)和重要組成部分,被認(rèn)為是解決各種交通問(wèn)題的一個(gè)有效途徑。智能車(chē)輛的研究涉及圖像處理、模式識(shí)別、人工智能、自動(dòng)控制、傳感器技術(shù)等多個(gè)學(xué)科的理論與技術(shù),集成了信息科學(xué)與人工智能技術(shù)的最新成果,具有重要的實(shí)用價(jià)值和學(xué)術(shù)理論價(jià)值。智能車(chē)輛是一個(gè)集環(huán)境感知、規(guī)劃決策、操作控制等功能于一體的智能體。在智能車(chē)輛諸多研究任務(wù)中,對(duì)環(huán)境信息的感知是所有工作的基礎(chǔ)和核心,基于視覺(jué)的信息感知是車(chē)輛理解外部環(huán)境的核心技術(shù),其成

2、功與否直接決定未來(lái)智能車(chē)輛的生存空間。其中,對(duì)于障礙物目標(biāo)的檢測(cè)和跟蹤又是最為重要和不可或缺的功能,是預(yù)防危險(xiǎn)和安全行駛的前提條件。目前,高速公路等結(jié)構(gòu)化道路環(huán)境中的目標(biāo)檢測(cè)技術(shù)已基本成熟,但復(fù)雜的城市交通環(huán)境下的目標(biāo)檢測(cè)技術(shù)尚不能滿足實(shí)用化要求,成為智能車(chē)輛目標(biāo)檢測(cè)領(lǐng)域亟待解決的熱點(diǎn)和難點(diǎn)問(wèn)題。本論文圍繞基于視覺(jué)導(dǎo)航的智能車(chē)輛在城區(qū)復(fù)雜交通環(huán)境中的目標(biāo)檢測(cè)、識(shí)別和跟蹤技術(shù)進(jìn)行了深入研究和探討。主要研究?jī)?nèi)容概括如下:(1)論文回顧了智能

3、車(chē)輛的研究進(jìn)展,介紹了當(dāng)前國(guó)內(nèi)外典型智能車(chē)輛系統(tǒng)概況,對(duì)智能車(chē)輛領(lǐng)域的主要研究?jī)?nèi)容和關(guān)鍵技術(shù)進(jìn)行了探討。在對(duì)各種信息感知手段進(jìn)行綜合比較的基礎(chǔ)上,介紹了智能車(chē)輛目標(biāo)檢測(cè)技術(shù)的主要流派及其研究進(jìn)展,并提出了當(dāng)前目標(biāo)檢測(cè)技術(shù)的不足和本文研究方向。(2)論文對(duì)機(jī)器視覺(jué)理論做了綜述性介紹,分析了三種具有代表性的視覺(jué)理論框架模型,建立了一種針對(duì)具體應(yīng)用改進(jìn)的計(jì)算視覺(jué)模型,為算法設(shè)計(jì)提供指導(dǎo)。從候選目標(biāo)檢測(cè)、目標(biāo)確認(rèn)識(shí)別、目標(biāo)跟蹤定位這三個(gè)方面,重

4、點(diǎn)分析了基于視覺(jué)的智能車(chē)輛目標(biāo)檢測(cè)技術(shù)的研究進(jìn)展,提出了本文基于單目視覺(jué)的目標(biāo)檢測(cè)算法模型,不僅分析了單目視覺(jué)方法的可行性,而且闡明了本文算法的總體架構(gòu)。(3)論文詳細(xì)論述了基于單目視覺(jué)的候選目標(biāo)檢測(cè)方法。對(duì)智能車(chē)輛候選目標(biāo)檢測(cè)中的常用視覺(jué)特征進(jìn)行了分析,介紹了小波變換模極大值對(duì)奇異信號(hào)探測(cè)的理論原理。在此基礎(chǔ)上,提出了一種基于小波模極大值和多特征融合的候選目標(biāo)檢測(cè)方法。實(shí)驗(yàn)表明,該算法能在無(wú)道路約束條件下直接從整個(gè)像平面中提取候選障礙

5、物目標(biāo),有效克服復(fù)雜場(chǎng)景中目標(biāo)特征易被背景或其它目標(biāo)“淹沒(méi)”的難題,滿足城區(qū)環(huán)境下智能車(chē)輛目標(biāo)檢測(cè)的魯棒性要求。(4)論文詳細(xì)論述了基于單目視覺(jué)的目標(biāo)確認(rèn)識(shí)別方法。對(duì)機(jī)器學(xué)習(xí)中的統(tǒng)計(jì)學(xué)習(xí)理論和支持向量機(jī)原理進(jìn)行了介紹,對(duì)目前支持向量機(jī)的多類分類方法進(jìn)行了歸納和分析,并介紹了集成學(xué)習(xí)的理論原理。在此基礎(chǔ)上,提出了一種基于混合核函數(shù)和集成學(xué)習(xí)改進(jìn)的二叉樹(shù)支持向量機(jī)多類分類方法。該方法根據(jù)目標(biāo)在場(chǎng)景中的出現(xiàn)概率和類間差異設(shè)計(jì)二叉樹(shù)樹(shù)型結(jié)構(gòu),采

6、用混合核函數(shù)設(shè)計(jì)分類器分類函數(shù),并采用AdaBoost與SVM相結(jié)合的方法對(duì)分類器參數(shù)進(jìn)行自適應(yīng)選取,有效提高了分類器的分類精度和泛化能力。實(shí)驗(yàn)表明,該方法可有效解決小樣本條件下,城區(qū)場(chǎng)景中所需考慮的“車(chē)輛-行人-非機(jī)動(dòng)車(chē)輛-背景”等多類分類問(wèn)題。(5)論文詳細(xì)論述了基于視覺(jué)的目標(biāo)跟蹤定位方法。對(duì)MeanShift算法的理論基礎(chǔ)——基于核函數(shù)的無(wú)參數(shù)密度估計(jì)及其一般過(guò)程進(jìn)行了介紹,并對(duì)算法收斂性條件做了簡(jiǎn)要分析。在此基礎(chǔ)上,提出了一種基

7、于MeanShift的智能車(chē)輛目標(biāo)跟蹤算法。該方法以目標(biāo)顏色空間為特征空間,采用顏色特征的統(tǒng)計(jì)直方圖對(duì)目標(biāo)模型進(jìn)行描述,利用Bhattacharyya系數(shù)定義目標(biāo)模型在相鄰幀間的相似性度量,并基于MeanShift迭代實(shí)現(xiàn)被跟蹤目標(biāo)的準(zhǔn)確定位。該方法著力改進(jìn)并解決了經(jīng)典MeanShift算法中的以下關(guān)鍵問(wèn)題:基于Kalman濾波器改進(jìn)機(jī)動(dòng)目標(biāo)跟蹤初始點(diǎn)選取問(wèn)題;提出一種分塊匹配策略改進(jìn)目標(biāo)遮擋情況下的處理問(wèn)題;提出一種基于匹配貢獻(xiàn)度的選