详情

原文传递智能车辆中的几个关键技术研究

论文题名：	智能车辆中的几个关键技术研究
关键词：	智能车辆;计算机视觉;车道检测;车辆跟踪;车道偏离;自适应融合;信息熵
摘要：	1999年，全球大约有80万人死于道路交通事故，经济损失超过5180亿美元，约占当年全球GNP的1.7％。在此背景下，发展具有主动安全功能的智能车辆成为各国政府、研究机构和汽车制造商的共同目标。基于计算机视觉的道路场景识别和车辆状态估计是智能车辆的关键技术之一，具体包括车道检测与跟踪、车辆检测与跟踪等。尽管研究者们进行了多年的研究，该问题仍没有得到很好的解决，主要表现为算法的鲁棒性较差。针对这种情况，本文在复杂背景下的目标跟踪、车道检测与跟踪、车辆检测、车辆跟踪与行为预测、车道偏离预警等方面开展了研究。本文的主要研究内容和学术上的主要贡献包含以下几个方面：提出自适应融合颜色线索和形状线索的目标跟踪方法。提出了基于灰度梯度的形状观测模型，其优点是最大限度地保留了图像中的信息，与基于产生式模型的形状观测模型相比，该模型的参数更少，避免了复杂的参数学习过程。在复杂背景的情况下，基于单线索的目标跟踪方法容易失败，针对这种情况，本文在粒子滤波器框架下提出了基于颜色和形状线索融合的目标跟踪算法。第一个算法在计算目标状态观测时，融合了颜色线索和形状线索，充分利用了两线索之间的互补特性，该算法采用信息熵来衡量线索的可靠度，并据此自适应调整各线索的权重。本章提出的第二个目标跟踪算法，在粒子滤波器的采样阶段分别从颜色重要密度函数和形状重要密度函数采样，利用了颜色和形状的互补特性，使得粒子集中在高密度区域，避免了退化问题的发生。实验结果表明，本文提出的跟踪算法在部分遮挡、有杂乱背景、目标外观随时间变化、目标快速运动等情况下能准确可靠地跟踪目标。提出了基于MAP和PSO算法的车道检测方法。推导了在图像坐标下的车道标线变形模板，变形模板的参数与车道的宽度、曲率、车辆在车道中的位置和航向一一对应。自然环境下，光照无法控制，道路图像往往受到阴影、噪声等因素的影响而出现大量干扰边界。难于在保留有用特征的前提下剔除干扰特征。在此情况下，本文采取自上而下的方法，将道路检测问题转化为一个MAP问题，用变形模板和先验知识对车道形状进行约束，通过PSO算法搜索所涉及函数的全局极大值，从而获得最大后验概率参数，结合摄像机参数可以计算出车道的宽度、曲率、车辆在车道中的位置和航向。实验结果表明，该方法在阴影严重、噪声严重、车道标线部分被遮挡、图像质量差、车道标线质量差等情况下能可靠地检测车道，正确检测率高于96％。提出了一种基于变形模板和粒子滤波器的车道跟踪方法。车道跟踪中往往遇到车道标线不连续、对比度不高、干扰特征多的情况，同时，系统的状态方程和测量方程是非线性，非高斯的。本文提出的方法使用粒子滤波器对车辆在车道中的位置、方位、车道的宽度、曲率进行估计。该方法避免了使用在干扰严重情况下效果很差的特征综合步骤，同时在粒子滤波器的每一个迭代中从一个表示车道缺省形状的先验概率分布中采样一部分粒子，保证了该车道跟踪方法在车辆换道或者在某一些帧中没有车道标线时能自动恢复正确跟踪。实验结果表明，该跟踪算法在图像对比度低、阴影严重、车道标线不清晰、车辆换道等情况下能可靠地跟踪车道，跟踪成功率大于98％。提出了新的近距离车辆检测方法和中远距离车辆检测方法。对近距离车辆而言，车辆间的相对运动明显，本文的检测方法如下：首先对不同时刻的道路场景图像进行边缘增强和二值化，得到边缘图像；假定主车辆前方的道路是水平的、且图像中的所有目标在地面上，在此基础上通过前一时刻的边缘图像、投影变换公式和反投影变换公式来预测下一时刻的边缘图像；将该时刻的预测边缘图像与实际边缘图像比较，如果两种相匹配，则表明这些边缘在路面上，否则认为这些边缘是由车辆形成的。对中远距离车辆，车辆的形状特征明显，本文提出的方法如下：通过阴影特征、纹理特征和对称性特征对车辆进行初定位，随后利用形状特征对车辆进行精确定位。实验结果表明，车辆检测准确率达到95％以上。提出了一种车辆状态预测方法。首先提出了两个车辆跟踪算法，第一个算法通过彩色与形状线索融合的粒子滤波器对车辆进行跟踪，第二个算法采用多运动模式切换的方式对车辆进行跟踪，输出结果是车辆运动的定性描述和定量描述。对智能车辆而言，仅仅知道被跟踪车辆目前状态是不够的，还需要预测车辆的行为。依据车辆跟踪的结果可以得到车辆在世界坐标中的轨迹，轨迹由目标不同时刻的质心点连接而成。对这些轨迹进行编码作为学习样本对自组织特征映射神经网络进行训练。通过计算部分车辆运动轨迹与车辆的活动模式匹配的概率，找到匹配度最高的活动模式。根据该活动模式可以预测未来一定时间段内车辆的状态。实验结果表明了跟踪方法和行为预测方法的可靠性。提出了基于虚拟车道边界的车道偏离预警方法。基于路边颠簸带的车道偏离预警系统虽然误报警率低，但报警时间短。而基于TLC(Time to Lane Crossing)的预警方法虽然报警时间长，但误警率高。本文提出的方法在车道物理标线外加一虚拟的车道标线，当预测到车辆在一定时间内将超出虚拟车道时发出警告。算法的核心是如何决定虚拟车道的宽度。考虑司机的驾驶习惯、车道的几何结构以及司机的局部行为变化，用模糊推理的方法来确定虚拟车道的宽度。实验结果表明，该方法与RRS法相比，警告时间平均增加0.75s，而误报警率几乎不增加，平均误报警率小于每小时4次。与TLC方法相比，警告时间仅仅减少约0.1秒，而误报警率比TLC方法的平均每小时15次大大减少。
作者：	周勇
专业：	机械设计及理论
导师：	叶庆泰
授予学位：	博士
授予学位单位：	上海交通大学
学位年度：	2007
正文语种：	中文