论文部分内容阅读
随着汽车主动安全环境感知技术研究的不断深入,复杂城市道路环境下的环境感知技术成为现代智能交通领域的一个热点课题。目前,对车辆前方环境感知的手段主要采用雷达和机器视觉。雷达对车辆前方环境的深度信息有良好的感知能力,但是易受其他物体干扰产生误判;机器视觉对物体的颜色和纹理有较好的解析能力,但对物体深度信息能力较弱,且易受特殊环境影响。本文以大型客车为研究平台,基于雷达和机器视觉信息融合,在典型的城市道路环境特征下,对车辆前方障碍物检测以及车道线识别开展了深入的理论研究和实验验证。主要内容如下:根据车载障碍物检测系统的实际需求,对系统的整体框架进行了分析,确定了系统的硬件结构、信息处理流程和软件构架。对车载雷达、图像传感器和超声波传感器的选型进行了分析和比较,设计了雷达处理模块和超声测距模块,并编写各模块间CAN通信程序,实现了分布式采集网络。设计了车载检测系统的软件,实现了数据的采集与处理、目标图形图像显示以及信息融合等功能。根据驾驶辅助系统的实际需求,针对车载雷达的测量环境,设计了考虑横向距离的同车道目标初选方法、基于卡尔曼滤波的目标有效性检验方法和基于生命周期的目标决策方法。设计了基于危险程度值的大型车辆全向防撞预警算法,通过在大型客运车辆上进行道路运行试验。实路运行试验表明,本文提出.的预警算法具有较高的检测率和有效报警率。根据防撞预警系统中车辆前方有效目标的定义,设计了本车道分界线图像识别的方法,缩小了有效目标的搜索范围。利用Canny算子和Hough变换对感兴趣区域(ROI)内的线段进行检测,并根据图像坐标中车道线的特征对候选目标进行逐一筛选,进而识别出车道线。通过在不同光照以及路况条件下的实验,表明该车道线识别方法具有较好的适应性和鲁棒性。根据障碍物检测系统对车辆检测的准确性要求,提出了基于毫米波雷达和机器视觉信息融合的检测方法。通过雷达信息判断出的目标危险等级,结合图像识别得到的车道线位置,判断目标是否与本车处于同一车道内,进而得到报警等级。最后利用数据融合模型将雷达数据投影至图像中产生搜索区域,解决了多传感器数据的坐标统一问题,缩小了对整幅图像的搜索范围,使车辆检测具有良好的实时性和鲁棒性。