基于立体视觉和深度学习的车载环境感知方法研究

• 作 者: 孔令超
• 出 处: 大连理工大学
• 发表日期: 2019年01期
• 关键词: 卷积神经网络 棒状像素 障碍物检测与识别 交通场景表示

随着车辆智能化、网联化研究的不断深入,智能汽车逐渐成为未来的发展趋势。智能汽车的关键技术在于如何让汽车对前方道路环境进行准确、及时的认知。因此,研究一种实时性好、准确率高的车载环境感知算法在智能车辆避障、自动巡航等方面有着重要的意义。首先,为了解决障碍物候选区域选取时间长和障碍物识别准确率低的问题,提出了一种基于立体视觉和卷积神经网络的障碍物检测和识别算法。该算法采用半全局匹配算法计算左右图像的视差图,在视差图的基础上进行棒状像素计算获得障碍物候选区域,结合U视差图从障碍物候选区域中提取目标障碍物。为了进一步识别提取出的目标障碍物,在AlexNet网络的基础上提出了一种改进的卷积神经网络。实验结果表明:本文提出的卷积神经网络相比于其他网络,拥有较好的实时性和识别准确率。然后,针对交通场景中棒状像素表示准确率低的问题,提出了一种基于深度学习的交通场景棒状分割算法。该算法在棒状像素表示的基础上加入语义分割信息,基于立体匹配获取的视差图提取交通场景中的地面、物体和天空等信息,然后采用语义分割网络ENet生成语义分割信息。实验结果表明:在棒状像素表示的基础上加入额外的语义分割信息,提高了交通场景表示的准确率。除此之外,ENet网络相对于其他网络模型在保持较好语义分割精度的基础上拥有较好的实时性,为算法在车载设备上的应用奠定了基础。最后,为了验证算法在实际交通场景中的性能,搭建了包含TX2、ZED双目相机等硬件设备的硬件实验平台。实验场景为大连理工大学校园。实验结果表明:本文设计的算法在实际的交通场景中拥有较好的障碍物检测与识别效果和交通场景表示效果。