智能車輛中的幾個(gè)關(guān)鍵技術(shù)研究.pdf

1、1999年，全球大約有80萬(wàn)人死于道路交通事故，經(jīng)濟(jì)損失超過(guò)5180億美元，約占當(dāng)年全球GNP的1.7％。在此背景下，發(fā)展具有主動(dòng)安全功能的智能車輛成為各國(guó)政府、研究機(jī)構(gòu)和汽車制造商的共同目標(biāo)?；谟?jì)算機(jī)視覺(jué)的道路場(chǎng)景識(shí)別和車輛狀態(tài)估計(jì)是智能車輛的關(guān)鍵技術(shù)之一，具體包括車道檢測(cè)與跟蹤、車輛檢測(cè)與跟蹤等。盡管研究者們進(jìn)行了多年的研究，該問(wèn)題仍沒(méi)有得到很好的解決，主要表現(xiàn)為算法的魯棒性較差。針對(duì)這種情況，本文在復(fù)雜背景下的目標(biāo)跟蹤、車道檢測(cè)

2、與跟蹤、車輛檢測(cè)、車輛跟蹤與行為預(yù)測(cè)、車道偏離預(yù)警等方面開(kāi)展了研究。 本文的主要研究?jī)?nèi)容和學(xué)術(shù)上的主要貢獻(xiàn)包含以下幾個(gè)方面： 提出自適應(yīng)融合顏色線索和形狀線索的目標(biāo)跟蹤方法。提出了基于灰度梯度的形狀觀測(cè)模型，其優(yōu)點(diǎn)是最大限度地保留了圖像中的信息，與基于產(chǎn)生式模型的形狀觀測(cè)模型相比，該模型的參數(shù)更少，避免了復(fù)雜的參數(shù)學(xué)習(xí)過(guò)程。在復(fù)雜背景的情況下，基于單線索的目標(biāo)跟蹤方法容易失敗，針對(duì)這種情況，本文在粒子濾波器框架下提出了基

3、于顏色和形狀線索融合的目標(biāo)跟蹤算法。第一個(gè)算法在計(jì)算目標(biāo)狀態(tài)觀測(cè)時(shí)，融合了顏色線索和形狀線索，充分利用了兩線索之間的互補(bǔ)特性，該算法采用信息熵來(lái)衡量線索的可靠度，并據(jù)此自適應(yīng)調(diào)整各線索的權(quán)重。本章提出的第二個(gè)目標(biāo)跟蹤算法，在粒子濾波器的采樣階段分別從顏色重要密度函數(shù)和形狀重要密度函數(shù)采樣，利用了顏色和形狀的互補(bǔ)特性，使得粒子集中在高密度區(qū)域，避免了退化問(wèn)題的發(fā)生。實(shí)驗(yàn)結(jié)果表明，本文提出的跟蹤算法在部分遮擋、有雜亂背景、目標(biāo)外觀隨時(shí)間變化

4、、目標(biāo)快速運(yùn)動(dòng)等情況下能準(zhǔn)確可靠地跟蹤目標(biāo)。 提出了基于MAP和PSO算法的車道檢測(cè)方法。推導(dǎo)了在圖像坐標(biāo)下的車道標(biāo)線變形模板，變形模板的參數(shù)與車道的寬度、曲率、車輛在車道中的位置和航向一一對(duì)應(yīng)。自然環(huán)境下，光照無(wú)法控制，道路圖像往往受到陰影、噪聲等因素的影響而出現(xiàn)大量干擾邊界。難于在保留有用特征的前提下剔除干擾特征。在此情況下，本文采取自上而下的方法，將道路檢測(cè)問(wèn)題轉(zhuǎn)化為一個(gè)MAP問(wèn)題，用變形模板和先驗(yàn)知識(shí)對(duì)車道形狀進(jìn)行約束，

5、通過(guò)PSO算法搜索所涉及函數(shù)的全局極大值，從而獲得最大后驗(yàn)概率參數(shù)，結(jié)合攝像機(jī)參數(shù)可以計(jì)算出車道的寬度、曲率、車輛在車道中的位置和航向。實(shí)驗(yàn)結(jié)果表明，該方法在陰影嚴(yán)重、噪聲嚴(yán)重、車道標(biāo)線部分被遮擋、圖像質(zhì)量差、車道標(biāo)線質(zhì)量差等情況下能可靠地檢測(cè)車道，正確檢測(cè)率高于96％。提出了一種基于變形模板和粒子濾波器的車道跟蹤方法。車道跟蹤中往往遇到車道標(biāo)線不連續(xù)、對(duì)比度不高、干擾特征多的情況，同時(shí)，系統(tǒng)的狀態(tài)方程和測(cè)量方程是非線性，非高斯的。本文

6、提出的方法使用粒子濾波器對(duì)車輛在車道中的位置、方位、車道的寬度、曲率進(jìn)行估計(jì)。該方法避免了使用在干擾嚴(yán)重情況下效果很差的特征綜合步驟，同時(shí)在粒子濾波器的每一個(gè)迭代中從一個(gè)表示車道缺省形狀的先驗(yàn)概率分布中采樣一部分粒子，保證了該車道跟蹤方法在車輛換道或者在某一些幀中沒(méi)有車道標(biāo)線時(shí)能自動(dòng)恢復(fù)正確跟蹤。實(shí)驗(yàn)結(jié)果表明，該跟蹤算法在圖像對(duì)比度低、陰影嚴(yán)重、車道標(biāo)線不清晰、車輛換道等情況下能可靠地跟蹤車道，跟蹤成功率大于98％。 提出了新的

7、近距離車輛檢測(cè)方法和中遠(yuǎn)距離車輛檢測(cè)方法。對(duì)近距離車輛而言，車輛間的相對(duì)運(yùn)動(dòng)明顯，本文的檢測(cè)方法如下：首先對(duì)不同時(shí)刻的道路場(chǎng)景圖像進(jìn)行邊緣增強(qiáng)和二值化，得到邊緣圖像；假定主車輛前方的道路是水平的、且圖像中的所有目標(biāo)在地面上，在此基礎(chǔ)上通過(guò)前一時(shí)刻的邊緣圖像、投影變換公式和反投影變換公式來(lái)預(yù)測(cè)下一時(shí)刻的邊緣圖像；將該時(shí)刻的預(yù)測(cè)邊緣圖像與實(shí)際邊緣圖像比較，如果兩種相匹配，則表明這些邊緣在路面上，否則認(rèn)為這些邊緣是由車輛形成的。對(duì)中遠(yuǎn)距離車輛

8、，車輛的形狀特征明顯，本文提出的方法如下：通過(guò)陰影特征、紋理特征和對(duì)稱性特征對(duì)車輛進(jìn)行初定位，隨后利用形狀特征對(duì)車輛進(jìn)行精確定位。實(shí)驗(yàn)結(jié)果表明，車輛檢測(cè)準(zhǔn)確率達(dá)到95％以上。 提出了一種車輛狀態(tài)預(yù)測(cè)方法。首先提出了兩個(gè)車輛跟蹤算法，第一個(gè)算法通過(guò)彩色與形狀線索融合的粒子濾波器對(duì)車輛進(jìn)行跟蹤，第二個(gè)算法采用多運(yùn)動(dòng)模式切換的方式對(duì)車輛進(jìn)行跟蹤，輸出結(jié)果是車輛運(yùn)動(dòng)的定性描述和定量描述。對(duì)智能車輛而言，僅僅知道被跟蹤車輛目前狀態(tài)是不夠的

9、，還需要預(yù)測(cè)車輛的行為。依據(jù)車輛跟蹤的結(jié)果可以得到車輛在世界坐標(biāo)中的軌跡，軌跡由目標(biāo)不同時(shí)刻的質(zhì)心點(diǎn)連接而成。對(duì)這些軌跡進(jìn)行編碼作為學(xué)習(xí)樣本對(duì)自組織特征映射神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。通過(guò)計(jì)算部分車輛運(yùn)動(dòng)軌跡與車輛的活動(dòng)模式匹配的概率，找到匹配度最高的活動(dòng)模式。根據(jù)該活動(dòng)模式可以預(yù)測(cè)未來(lái)一定時(shí)間段內(nèi)車輛的狀態(tài)。實(shí)驗(yàn)結(jié)果表明了跟蹤方法和行為預(yù)測(cè)方法的可靠性。 提出了基于虛擬車道邊界的車道偏離預(yù)警方法。基于路邊顛簸帶的車道偏離預(yù)警系統(tǒng)雖然誤報(bào)

10、警率低，但報(bào)警時(shí)間短。而基于TLC(Time to Lane Crossing)的預(yù)警方法雖然報(bào)警時(shí)間長(zhǎng)，但誤警率高。本文提出的方法在車道物理標(biāo)線外加一虛擬的車道標(biāo)線，當(dāng)預(yù)測(cè)到車輛在一定時(shí)間內(nèi)將超出虛擬車道時(shí)發(fā)出警告。算法的核心是如何決定虛擬車道的寬度?？紤]司機(jī)的駕駛習(xí)慣、車道的幾何結(jié)構(gòu)以及司機(jī)的局部行為變化，用模糊推理的方法來(lái)確定虛擬車道的寬度。實(shí)驗(yàn)結(jié)果表明，該方法與RRS法相比，警告時(shí)間平均增加0.75s，而誤報(bào)警率幾乎不增加，平均