自主式車輛環(huán)境感知技術(shù)研究——道路環(huán)境理解方法研究.pdf

1、隨著計(jì)算機(jī)電子技術(shù)與自動(dòng)控制技術(shù)的發(fā)展，智能化移動(dòng)平臺(tái)越來越廣泛地應(yīng)用于軍事、民用和科學(xué)研究等諸多領(lǐng)域。自主式車輛作為20世紀(jì)偉大的發(fā)明之一，也日益成為各國高科技戰(zhàn)略研究的目標(biāo)之一。同時(shí)，自主式車輛技術(shù)的發(fā)展促進(jìn)了自動(dòng)控制、模式識別、智能系統(tǒng)集成、傳感器融合等多種學(xué)科以及信息科學(xué)技術(shù)的發(fā)展?；谟?jì)算機(jī)視覺的道路環(huán)境理解技術(shù)的研究是自主式車輛的關(guān)鍵技術(shù)之一，也是智能技術(shù)發(fā)展中具有挑戰(zhàn)性意義的課題之一。盡管自主式車輛技術(shù)經(jīng)過眾多研究者們的深

2、入鉆研，然而許多問題仍然沒有得到很好的解決，其主要原因來自于環(huán)境復(fù)雜度以及相關(guān)環(huán)境干擾因素的增加。針對這些情況，本文針對較多的道路場景進(jìn)行了深入研究，主要取得的創(chuàng)新性研究成果包括：擴(kuò)散區(qū)域Hough方法道路檢測；非結(jié)構(gòu)化道路環(huán)境中基于形狀模型的模糊聚類分割方法(SMFCM)；基于粒子群算法的道路檢測新算法；以及視覺動(dòng)態(tài)模型為基礎(chǔ)的道路跟蹤算法等。具體情況如下：
　　 本文針對結(jié)構(gòu)化道路環(huán)境的特征，提出了一種在全局特征信息層面，基

3、于道路邊界擴(kuò)展區(qū)域Hou曲變換的道路識別方法。對于道路環(huán)境中干擾的因素，該方法融合了道路邊緣的形態(tài)特征和擴(kuò)散區(qū)域在Hough空間中的全局輔助性信息。同時(shí)在實(shí)驗(yàn)中利用其它傳感器融合模塊的道路方向估計(jì)參數(shù)和部分先驗(yàn)的知識降低計(jì)算的復(fù)雜度，提高應(yīng)用的實(shí)時(shí)性。大量的實(shí)驗(yàn)證明該方法在結(jié)構(gòu)化和非結(jié)構(gòu)化道路環(huán)境中，對道路邊緣的識別有較好的作用，對于克服道路環(huán)境中干擾(陰影、不規(guī)則光照等)因素具有良好的效果和實(shí)用價(jià)值。
　　 針對非結(jié)構(gòu)化道路環(huán)

4、境的理解，本文提出了一種新的SMFCM算法。該算法利用了道路圖像中道路幾何的結(jié)構(gòu)特征，構(gòu)造了基于形狀的關(guān)系隸屬度矩陣，將傳統(tǒng)的模糊聚類算法改進(jìn)成了基于形狀模型的模糊聚類算法。該SMFCM算法中的某些參數(shù)與道路圖像環(huán)境相關(guān)。通過對較多干擾道路環(huán)境的實(shí)驗(yàn)，證明了該算法改進(jìn)了非結(jié)構(gòu)化道路環(huán)境中道路分割的效果，具有應(yīng)用與研究價(jià)值。
　　 為了更精確地檢測道路邊緣，減少光照陰影、邊緣信息模糊等造成的影響，本文提出了一種基于粒子群算法的道路

5、檢測新方法。該方法以直線變形模型為基礎(chǔ)，在先驗(yàn)知識的輔助下定義了后驗(yàn)概率分布描述道路結(jié)構(gòu)特征，利用粒子群優(yōu)化算法搜索最優(yōu)解。同時(shí)，針對特殊道路圖像設(shè)定感興趣友誼區(qū)域，以減低問題計(jì)算的復(fù)雜度。大量的實(shí)驗(yàn)證明本文算法實(shí)現(xiàn)了較為準(zhǔn)確的道路邊緣或者行道線的檢測，能夠有效地減少噪聲因素的影響。
　　 在車輛運(yùn)動(dòng)連續(xù)性特征的基礎(chǔ)上，結(jié)合道路環(huán)境與觀測視覺的關(guān)系，本文提出了一種基于視覺動(dòng)態(tài)模型的道路檢測算法。首先，在道路邊緣相互平行的假設(shè)條件

6、下，仍然引用了直線變形模型來近似道路幾何結(jié)構(gòu)，將道路檢測問題等價(jià)為一個(gè)基于先驗(yàn)知識的最大后驗(yàn)概率問題。其次，利用攝像機(jī)觀測模型，車輛的狀態(tài)與圖像平面的模型參數(shù)之間的關(guān)系得到建立。同時(shí)在自主式車輛運(yùn)動(dòng)環(huán)境的基礎(chǔ)上，建立關(guān)于運(yùn)動(dòng)狀態(tài)的動(dòng)態(tài)模型。處理過程中，由于后驗(yàn)概率密度函數(shù)的非凹性，使用了粒子群優(yōu)化算法對采集到的第一幀圖像的模型參數(shù)進(jìn)行估計(jì)，將其結(jié)果作為后續(xù)動(dòng)態(tài)模型初始化條件。利用非線性、非高斯等優(yōu)點(diǎn)，使用了粒子濾波方法對連續(xù)圖像序列中道