原文传递
基于毫米波雷达与摄像头协同的道路目标检测与识别技术研究
| 论文题名： | 基于毫米波雷达与摄像头协同的道路目标检测与识别技术研究 |
| 关键词： | 自动驾驶;道路目标;协同检测;毫米波雷达;摄像头 |
| 摘要： | 在如今复杂的交通环境下，自动驾驶技术的发展对于保障人们的乘车安全十分重要。自动驾驶的主流传感器有毫米波雷达，摄像头，激光雷达等，而单一传感器由于其工作原理、稳定性等等因素，在面对复杂的道路环境和天气变化时各自存在一定的问题。多传感器协同则是弥补单一传感器缺点的重要研究方向。本文基于毫米波雷达与摄像头这两种传感器，研究了基于单一传感器的道路目标检测与识别方法以及一种协同检测与识别方法。主要研究内容如下： 1.研究了基于线性调频连续波（Linear Frequency Modulated Continuous Wave，LFMCW）毫米波雷达的信号处理方法。从雷达原理入手，推导了目标信息获取的理论公式，研究了基于距离维，速度维，角度维的信号处理流程，实现了对目标位置信息和微多普勒信息的获取，为接下来毫米波雷达的目标识别研究打下了基础。 2.通过对真实道路目标进行数据处理得到不同目标的微多普勒时频图，分析微多普勒特征用于目标识别的可行性，搭建卷积神经网络对微多普勒特征图提取目标特征，实现对道路目标的识别。相比于传统的特征提取方法，基于卷积神经网络的目标识别准确率达到了92%。 3.研究了基于图像的目标检测算法如Faster R-CNN、SSD、YOLOv5以及YOLOv7目标检测算法，深入分析了YOLOv7的网络结构、输入数据增强方法、特征融合以及多尺度预测方法。通过自制数据集对上述模型进行了训练和测试，结果表明YOLOv7目标检测算法性能最佳，将其用于后续的多传感器协同研究。 4.研究并构建了多传感器协同模型，首先建立毫米波雷达与光学摄像头坐标系的转换关系，将雷达检测点投影到图像上，并针对目标检测算法中基于K-means聚类算法生成锚框进行改进，通过毫米波雷达生成的检测框与基于微多普勒特征的类别信息生成具有高置信度的锚框信息，最后使用自建的多传感器数据集对目标检测模型的精度进行了对比，实验证明基于毫米波雷达先验信息的协同检测有效的提高了YOLOv7算法的检测性能，并且改善了低光场景下的检测结果。 本文提出的基于毫米波雷达检测结果与图像协同的目标检测算法通过理论分析与实测数据集进行验证，表明了毫米波雷达稳定的检测结果对于提高图像检测算法的有效性。 |
| 作者： | 孙轶凡 |
| 专业： | 工程硕士 |
| 导师： | 沈晓峰 |
| 授予学位： | 硕士 |
| 授予学位单位： | 电子科技大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
