论文部分内容阅读
随着交通事故的频繁发生与人们对智能汽车技术的日益关注,汽车智能辅助驾驶系统的研究与应用正在飞速发展,而车辆环境感知系统是汽车智能辅助驾驶系统的关键,其中车辆识别是环境感知系统的最为重要组成部分之一。获取道路前方准确的有效目标车辆信息,可以为自适应巡航系统与自动紧急刹车系统等主动安全技术提供有力的技术支撑。通过对目前国内外车辆识别研究现状调查发现,雷达系统对环境适应性强,对景深信息与速度信息提取方面具有优势,然而其存在原始数据噪声较大,漏检率与误检率较高,角度分辨率不高的劣势。视觉系统而言,获取信息丰富,成本较低,尤其在目标识别分类具有较大优势,但其存在实时性较差,易受环境影响等不足。为此,本文提出了一种基于毫米波雷达与视觉信息相融合的车辆识别算法。技术路线上,首先利用毫米波雷达获取道路前方所有64个有效目标的状态信息,并通过卡尔曼滤波和建立前车常加速模型的方式对前方目标信息进行了初步筛选;其次,通过雷达、视觉与车辆坐标系的统一,将雷达获得道路信息在ADTF软件环境下匹配至图像,建立感兴趣区域,然后使用深度学习算法,在感兴趣区域进行车辆识别与验证。主要研究内容如下:第一,基于深度学习的车辆识别算法。首先,完成图像灰度化、归一化的预处理,其次,建立车辆识别训练样本库与标准测试样本库,进而搭建了包含3个卷积层、2个池化层、1个概率层、1个全连接层的7层中型卷积神经网络模型,基于主流的深度学习框架Caffe训练该卷积神经网络模型,构成车辆识别二分类器,并基于标准的车辆样本库进行识别实验。第二,基于毫米波雷达的有效目标识别与筛选。针对雷达信号选用卡尔曼滤波器进行滤波处理,首先建立车辆二自由度模型与本车状态滤波器,完成对本车状态的预估。然后基于常加速模型完成雷达对前方车辆运动状态预估模型。综合本车预估与前车预估获得较为精确的前车运动状态,并对实车雷达数据进行实验验证,实现了基于毫米波雷达的有效目标识别算法。第三,雷达视觉融合算法开发。雷达与视觉传感器于空间上和时间上实现了融合,完成了雷达视觉联合标定,并于ADTF软件环境实现融合并采集实车数据。然后基于雷达辅助视觉的方式,通过两种方式:雷达确定感兴趣区域与雷达景深信息的滑窗检测法进行融合算法改进,从而提出一种基于雷达信息变滑窗的多视点卷积神经网络车辆识别融合算法,并在采集的离线实车道路环境数据下,对比了有无雷达辅助下的深度学习车辆识别算法,实验结果表明:本文提出的综合考虑视觉和雷达的融合算法相比于传统的基于单一传感器的车辆识别算法取得了良好的效果,对于前方车辆具有较好的识别准确率与实时性,为汽车智能辅助驾驶系统提供了良好的道路环境感知信息。