论文部分内容阅读
智能汽车作为汽车工业的未来发展方向,是道路拥堵和交通事故等问题的有效解决方案。智能汽车环境感知系统,主要利用各类传感器准确获取车辆周边的环境信息,为智能汽车做出决策提供参考,是现阶段汽车领域的研究热点。车辆是环境感知系统需要识别的最重要目标之一,本文主要针对基于毫米波雷达和机器视觉信息融合的车辆检测技术进行了研究。首先,对当前国内外车辆检测技术的研究现状进行分析,对比多种传感器的优缺点,并总结现有车辆检测技术存在的不足,从而明确了本文的主要研究内容。然后,对雷达原始数据进行分析,总结了数据中无效信号产生的原因,在此基础上,确定基于分层聚类和设置有效区域的雷达数据预处理方法。针对雷达工作不稳定等特殊情况,利用一致性检验策略分析目标存续情况,采用生命周期方法研究目标的整个存在过程,设定了相应规则完成车辆目标的筛选。其次,融合KITTI数据集和自制样本集得到了适合国内车辆检测的数据集,使用数据集训练和分析YOLO v2网络的车辆检测性能,采用适当精简网络结构和加入多尺度检测的方法提升网络的实时性和小目标检测能力,得到了改进的YOLO v2-mini网络模型。再次,通过坐标转换和传感器标定建立了空间融合模型,采取向下兼容原则,使用线程同步方法实现了传感器的时间融合。根据雷达有效目标确定视觉检测感兴趣区域,使用YOLO v2-mini处理感兴趣区域得到视觉检测结果。基于检测框交并比和全局最近邻数据关联方法建立了融合策略,综合处理雷达和视觉的检测结果,实现传感器的信息融合,并采用扩展卡尔曼滤波跟踪融合目标,完成融合目标的决策。最后,依托课题组智能汽车搭建试验平台,对各传感器进行了标定,并在多种道路条件下进行了实车试验,试验结果验证了本文提出的传感器信息融合策略的功能性和有效性。