收藏本站
《中国科学院大学(中国科学院长春光学精密机械与物理研究所)》 2020年
收藏 | 手机打开
二维码
手机客户端打开本文

基于智能车辆视觉导航的环境感知技术研究

任凤雷  
【摘要】:随着社会的快速发展和科技的日益进步,智能车辆因其在各个领域均有着重要的使用价值成为了目前研究的热门话题。智能车辆的导航系统从功能结构来看主要包括环境感知、自主定位、路径规划以及决策控制等模块。其中,环境感知技术作为智能车辆的“眼睛”,是目前智能车辆量产和商用化的最大障碍之一,也是其它模块实现的基础和前提。目前,高等级的无人驾驶汽车系统仍然非常依赖于激光雷达等传感器的测量,然而,激光雷达在价格成本,处理算法复杂度等方面限制了智能车辆的发展,所以基于智能车辆视觉导航的环境感知技术近几年发展迅猛。环境感知也被称为环境理解或场景理解,主要包括道路可行驶区域检测、车道线检测、道路场景语义分割、车辆等障碍物检测等内容。本论文深入分析了智能车辆视觉导航环境感知领域中的几项关键技术及其在国内外的研究现状,总结了现阶段环境感知技术研究中存在的不足,在此基础上分别对道路检测算法、车道线检测算法、图像语义分割算法、联合分割与检测算法等关键技术进行了深入研究,提出了多种改善环境感知性能的算法。本文的研究成果对智能车辆的发展及应用具有重要的理论意义和参考价值。本论文主要完成了以下四个方面的工作:(1)深入研究了智能车辆环境感知中的道路检测算法,提出了一种融合道路表观特征和先验知识的道路检测算法。通过图像形态学运算去除了车道线信息,引入图像光照不变性转换,提出将输入道路图像分割成超像素图像并选取道路种子超像素进而运用混合高斯模型对道路表观特征进行建模,利用构建好的道路模型区分道路区域和非道路区域并融合了离线构建的道路先验知识模型。本文算法解决了现有算法在存在阴影及光照不均匀、车道线干扰、障碍物遮挡等情况下道路检测准确率低鲁棒性差的问题。在KITTI道路检测数据集的实验结果表明,本文算法在城市道路场景下的道路检测MaxF值达到了92.51%,相比较其它道路检测算法在准确性和鲁棒性上有了显著的提高,可以满足实际应用需求。(2)针对目前的车道线检测算法鲁棒性不足且通常只能检测出固定数量的车道线因而导致无法应对车道变换的问题,深入研究了智能车辆环境感知中的车道线检测技术,提出了一种基于FCN与H-Net的多车道线检测算法。本算法将车道线检测问题视作一个图像语义分割的二分类问题,并通过设计基于FCN的车道线分割网络将输入图像分割为背景区域和车道线区域两个语义类别;继而通过引入H-Net网络结构,生成透视变换矩阵并进行透视变换;在此基础上对分割得到的车道线像素进行曲线拟合,并逆变换回原图像,得到车道线的数学表示模型;此外,将距离图像中心线最近的两条车道线中间的区域定义为智能车辆目前行驶的车道,最终实现了对车道线及行车车道的检测。在TuSimple数据集的实验结果表明,本文算法的车道线检测准确率达到了96.89%,性能得到显著提升。(3)对智能车辆环境感知中的图像语义分割技术进行了深入研究。提出了一种基于改进的DeepLabV3+与超像素优化的语义分割算法。针对DeepLabV3+连续使用两次因子为4的双线性上采样不足以充分恢复图像细节信息的问题,通过使用转置卷积代替双线性上采样对其进行了优化,并使用经过优化的DeepLabV3+网络模型提取图像语义特征并得到粗糙的语义分割结果。此外,使用SLIC超像素分割算法将输入图像分割成超像素图像,并通过融合高层抽象的语义特征和超像素细节信息,得到边缘优化的语义分割结果。解决了现有的基于深度学习的图像语义分割算法在特征提取阶段由于连续的池化及下采样导致大量图像细节信息被丢失,使其在物体边缘部分分割效果不佳的问题。在PASCAL VOC 2012和Cityscapes数据集的实验结果表明,相比较DeepLabV3+语义分割算法,本文算法在物体边缘等细节部分有着更好的语义分割性能,其在Cityscapes数据集的mIoU值达到了82.8%,性能得到了显著的提升。(4)深入研究并分析了多任务学习技术及智能车辆环境感知所需要解决的问题。提出了一种基于多任务学习的联合分割与检测的网络架构,通过设置编码解码结构并使分割和检测网络共享同一编码结构,由解码结构分割部分输出图像道路区域分割结果,由解码结构检测部分输出车辆等障碍物的检测结果。本文算法在KITTI数据集上的实验结果表明,本文所提出的算法可以利用单一的网络结构同时实现对道路区域的分割以及对车辆的检测,且各项任务均有着出色的性能表现。解决了图像语义分割技术无法区分属于同一类别的不同实例个体和图像目标检测技术无法通过使用边界框实现道路区域检测的问题,提高了环境感知算法的工作效率,使仅使用一个网络结构完成复杂的环境感知任务成为可能。
【学位授予单位】:中国科学院大学(中国科学院长春光学精密机械与物理研究所)
【学位级别】:博士
【学位授予年份】:2020
【分类号】:TP391.41;TN96;U463.6

免费申请
【相似文献】
中国期刊全文数据库 前10条
1 高德芝;段建民;郑榜贵;田炳香;;智能车辆环境感知传感器的应用现状[J];现代电子技术;2008年19期
2 黄武陵;;智能车辆的道路检测及其应用[J];单片机与嵌入式系统应用;2016年09期
3 王磊;王严;程海波;赵伊齐;;浅谈智能驾驶中的环境感知[J];汽车实用技术;2018年08期
4 彭湃;王耀南;凌志刚;赵科;卢笑;;一种适用于城市道路检测及偏离报警的方法[J];电子测量与仪器学报;2015年05期
5 黄武陵;;智能车辆环境感知技术与平台构建[J];单片机与嵌入式系统应用;2016年08期
6 陈效华;孙锐;陈军;;基于FPGA的车道偏离报警系统关键技术研究[J];汽车工程;2013年11期
7 王永明;王友仁;姚睿;张砦;;基于可重构硬件的算法融合道路检测方法[J];光电工程;2006年02期
8 高德芝;李玮;段建民;郑榜贵;;应用模糊逻辑的车道线检测方法[J];北京工业大学学报;2011年07期
9 韩俊淑 ,韩佳文 ,高翔 ,赵玉凡 ,常明;智能车辆的研究及发展[J];世界汽车;2003年09期
10 张道芳;张儒良;;基于语义分割的车道线检测算法研究[J];科技创新与应用;2019年06期
中国重要会议论文全文数据库 前10条
1 刘晓龙;邓志东;;基于全局与局部模型相互制约及具有模型不确定性评估的车道线检测方法[A];2013年中国智能自动化学术会议论文集(第三分册)[C];2013年
2 赵阳;刘奇龙;孙玲玉;;智能车设计与实践总结[A];荆楚学术2018年6月(总第二十期)[C];2018年
3 徐听;;智能车辆感知与优化控制的机器学习方法[A];2015年中国自动化大会摘要集[C];2015年
4 吴嘉玉;;健康导向下建成环境感知对久坐行为的影响[A];活力城乡 美好人居——2019中国城市规划年会论文集(07城市设计)[C];2019年
5 李杰;梁德强;刘宝;郭威;;地面无人侦察车辆自主环境感知技术研究[A];第六届中国指挥控制大会论文集(下册)[C];2018年
6 杨广林;苗冬霜;;结构化道路车道线检测与跟踪算法[A];2005年全国理论计算机科学学术年会论文集[C];2005年
7 李玉卿;鲍泓;郑颖;徐成;;基于视觉的车道线检测研究进展[A];中国计算机用户协会网络应用分会2019年第二十三届网络新技术与应用年会论文集[C];2019年
8 贾俊;朱锋;沈燕芬;张小红;;利用线型约束和卡尔曼滤波的车道线提取与生成方法[A];第十一届中国卫星导航年会论文集——S10 PNT体系与多源融合导航[C];2020年
9 胡坤福;范晓娟;段海艳;宾洋;罗文广;朱书善;;基于自适应感兴趣区域的车道线识别技术[A];第36届中国控制会议论文集(G)[C];2017年
10 王月;杨航;曹恺;江源远;何聪;;基于结构化道路的车道线拟合方法[A];2018中国汽车工程学会年会论文集[C];2018年
中国重要报纸全文数据库 前1条
1 记者 张雷 姚星宇;总投资30亿年产15万辆新能源智能车辆制造项目落户瑞昌[N];九江日报;2015年
中国博士学位论文全文数据库 前10条
1 任凤雷;基于智能车辆视觉导航的环境感知技术研究[D];中国科学院大学(中国科学院长春光学精密机械与物理研究所);2020年
2 王超;面向智能车辆的单目视觉行车安全信息检测与识别方法研究[D];南京理工大学;2016年
3 王科;城市交通中智能车辆环境感知方法研究[D];湖南大学;2013年
4 沈峘;智能车辆视觉环境感知技术的研究[D];南京航空航天大学;2010年
5 左磊;智能驾驶车辆自主决策与规划的增强学习方法研究[D];国防科学技术大学;2016年
6 谢国涛;不确定性条件下智能车辆动态环境认知方法研究[D];合肥工业大学;2018年
7 李祎承;面向智能车的道路场景建模与高精度定位研究[D];武汉理工大学;2018年
8 杨顺;从虚拟到现实的智能车辆深度强化学习控制研究[D];吉林大学;2019年
9 刘阳;面向异构智能车队的主动安全控制方法研究[D];北京交通大学;2019年
10 柴琳果;智能车路协同交叉口间隙耦合运行控制方法[D];北京交通大学;2018年
中国硕士学位论文全文数据库 前10条
1 刘天辉;车辆视觉导航中道路检测算法研究[D];沈阳工业大学;2015年
2 刘培森;基于多任务学习的多车道检测算法研究[D];上海交通大学;2019年
3 战宇辰;基于机器视觉的道路及车辆检测技术研究[D];北京工业大学;2016年
4 张云港;基于视觉的车道线检测算法[D];云南师范大学;2005年
5 陆良波;基于机器视觉的道路检测技术研究[D];武汉理工大学;2019年
6 修宇璇;基于语义分割和逆透视变换的车道线检测算法研究[D];天津大学;2018年
7 肖晶;基于车载图像处理的道路检测技术研究[D];湖南大学;2016年
8 王安帅;智能车辆结构化道路单目视觉导航技术[D];北京理工大学;2008年
9 张伟;智能车辆中的道路检测与识别[D];重庆大学;2006年
10 邹博维;基于多传感器的车辆局部交通环境感知[D];吉林大学;2013年
中国知网广告投放
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62791813
  • 010-62985026