智能車輛中的幾個關鍵技術研究.pdf

1、1999年，全球大約有80萬人死于道路交通事故，經濟損失超過5180億美元，約占當年全球GNP的1.7％。在此背景下，發(fā)展具有主動安全功能的智能車輛成為各國政府、研究機構和汽車制造商的共同目標?；谟嬎銠C視覺的道路場景識別和車輛狀態(tài)估計是智能車輛的關鍵技術之一，具體包括車道檢測與跟蹤、車輛檢測與跟蹤等。盡管研究者們進行了多年的研究，該問題仍沒有得到很好的解決，主要表現為算法的魯棒性較差。針對這種情況，本文在復雜背景下的目標跟蹤、車道檢測

2、與跟蹤、車輛檢測、車輛跟蹤與行為預測、車道偏離預警等方面開展了研究。 本文的主要研究內容和學術上的主要貢獻包含以下幾個方面： 提出自適應融合顏色線索和形狀線索的目標跟蹤方法。提出了基于灰度梯度的形狀觀測模型，其優(yōu)點是最大限度地保留了圖像中的信息，與基于產生式模型的形狀觀測模型相比，該模型的參數更少，避免了復雜的參數學習過程。在復雜背景的情況下，基于單線索的目標跟蹤方法容易失敗，針對這種情況，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跟蹤算法。第一個算法在計算目標狀態(tài)觀測時，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特性，該算法采用信息熵來衡量線索的可靠度，并據此自適應調整各線索的權重。本章提出的第二個目標跟蹤算法，在粒子濾波器的采樣階段分別從顏色重要密度函數和形狀重要密度函數采樣，利用了顏色和形狀的互補特性，使得粒子集中在高密度區(qū)域，避免了退化問題的發(fā)生。實驗結果表明，本文提出的跟蹤算法在部分遮擋、有雜亂背景、目標外觀隨時間變化

4、、目標快速運動等情況下能準確可靠地跟蹤目標。 提出了基于MAP和PSO算法的車道檢測方法。推導了在圖像坐標下的車道標線變形模板，變形模板的參數與車道的寬度、曲率、車輛在車道中的位置和航向一一對應。自然環(huán)境下，光照無法控制，道路圖像往往受到陰影、噪聲等因素的影響而出現大量干擾邊界。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，將道路檢測問題轉化為一個MAP問題，用變形模板和先驗知識對車道形狀進行約束，

5、通過PSO算法搜索所涉及函數的全局極大值，從而獲得最大后驗概率參數，結合攝像機參數可以計算出車道的寬度、曲率、車輛在車道中的位置和航向。實驗結果表明，該方法在陰影嚴重、噪聲嚴重、車道標線部分被遮擋、圖像質量差、車道標線質量差等情況下能可靠地檢測車道，正確檢測率高于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線不連續(xù)、對比度不高、干擾特征多的情況，同時，系統的狀態(tài)方程和測量方程是非線性，非高斯的。本文

6、提出的方法使用粒子濾波器對車輛在車道中的位置、方位、車道的寬度、曲率進行估計。該方法避免了使用在干擾嚴重情況下效果很差的特征綜合步驟，同時在粒子濾波器的每一個迭代中從一個表示車道缺省形狀的先驗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有車道標線時能自動恢復正確跟蹤。實驗結果表明，該跟蹤算法在圖像對比度低、陰影嚴重、車道標線不清晰、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、近距離車輛檢測方法和中遠距離車輛檢測方法。對近距離車輛而言，車輛間的相對運動明顯，本文的檢測方法如下：首先對不同時刻的道路場景圖像進行邊緣增強和二值化，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在地面上，在此基礎上通過前一時刻的邊緣圖像、投影變換公式和反投影變換公式來預測下一時刻的邊緣圖像；將該時刻的預測邊緣圖像與實際邊緣圖像比較，如果兩種相匹配，則表明這些邊緣在路面上，否則認為這些邊緣是由車輛形成的。對中遠距離車輛

8、，車輛的形狀特征明顯，本文提出的方法如下：通過陰影特征、紋理特征和對稱性特征對車輛進行初定位，隨后利用形狀特征對車輛進行精確定位。實驗結果表明，車輛檢測準確率達到95％以上。 提出了一種車輛狀態(tài)預測方法。首先提出了兩個車輛跟蹤算法，第一個算法通過彩色與形狀線索融合的粒子濾波器對車輛進行跟蹤，第二個算法采用多運動模式切換的方式對車輛進行跟蹤，輸出結果是車輛運動的定性描述和定量描述。對智能車輛而言，僅僅知道被跟蹤車輛目前狀態(tài)是不夠的

9、，還需要預測車輛的行為。依據車輛跟蹤的結果可以得到車輛在世界坐標中的軌跡，軌跡由目標不同時刻的質心點連接而成。對這些軌跡進行編碼作為學習樣本對自組織特征映射神經網絡進行訓練。通過計算部分車輛運動軌跡與車輛的活動模式匹配的概率，找到匹配度最高的活動模式。根據該活動模式可以預測未來一定時間段內車輛的狀態(tài)。實驗結果表明了跟蹤方法和行為預測方法的可靠性。 提出了基于虛擬車道邊界的車道偏離預警方法?；诼愤咁嶔У能嚨榔x預警系統雖然誤報

10、警率低，但報警時間短。而基于TLC(Time to Lane Crossing)的預警方法雖然報警時間長，但誤警率高。本文提出的方法在車道物理標線外加一虛擬的車道標線，當預測到車輛在一定時間內將超出虛擬車道時發(fā)出警告。算法的核心是如何決定虛擬車道的寬度?？紤]司機的駕駛習慣、車道的幾何結構以及司機的局部行為變化，用模糊推理的方法來確定虛擬車道的寬度。實驗結果表明，該方法與RRS法相比，警告時間平均增加0.75s，而誤報警率幾乎不增加，平均