【摘要】：前方車輛多源信息檢測技術(shù)是先進(jìn)駕駛輔助系統(tǒng)(ADAS,Advanced Driving Assistant System)和無人駕駛系統(tǒng)領(lǐng)域中的重要研究方向之一。而在目前常用的毫米波雷達(dá)與視覺信息融合方法中,由于靜態(tài)毫米波雷達(dá)出射波束角窄和傳統(tǒng)機(jī)器視覺車輛檢測處理時(shí)間長精度低,導(dǎo)致其難以準(zhǔn)確實(shí)時(shí)地動(dòng)態(tài)監(jiān)視并跟蹤彎道行駛中的前方車輛目標(biāo)(以下簡稱跟蹤目標(biāo)),造成跟蹤目標(biāo)的丟失,甚至引發(fā)車輛追尾事故。因此,針對(duì)彎道行駛時(shí)毫米波雷達(dá)跟蹤目標(biāo)丟失和傳統(tǒng)機(jī)器視覺車輛檢測高耗時(shí)低精度的問題,提出了基于毫米波雷達(dá)及深度學(xué)習(xí)視覺信息融合的前方車輛檢測方法。首先,第二章針對(duì)彎道行駛時(shí)毫米波雷達(dá)跟蹤目標(biāo)丟失的問題,根據(jù)毫米波雷達(dá)測距測速原理,建立了處于不同行駛車道(直道和彎道)上跟蹤目標(biāo)的毫米波雷達(dá)檢測模型,借此分析了跟蹤目標(biāo)丟失時(shí)彎道半徑和自車行駛狀態(tài)之間的關(guān)系,從而提出了面向跟蹤目標(biāo)丟失的毫米波雷達(dá)及視覺相機(jī)信息融合方法;該方法以跟蹤目標(biāo)的毫米波雷達(dá)歷史數(shù)據(jù)信息為狀態(tài)信息,以跟蹤目標(biāo)的視覺相機(jī)圖像信息為測量信息,利用無損卡爾曼濾波(Unscented Kalman Filter,UKF)計(jì)算出跟蹤目標(biāo)的距離、速度等行駛狀態(tài)參數(shù),并以此作為下一時(shí)刻跟蹤目標(biāo)的狀態(tài)信息進(jìn)行持續(xù)跟蹤,解決彎道行駛時(shí)毫米波雷達(dá)跟蹤目標(biāo)丟失的問題。其次,第三章針對(duì)視覺相機(jī)采用傳統(tǒng)機(jī)器視覺車輛檢測方法所帶來的高耗時(shí)低精度問題,使用了基于卷積神經(jīng)網(wǎng)絡(luò)的YOLOv3深度學(xué)習(xí)算法來進(jìn)行跟蹤目標(biāo)的檢測。并為了加快算法的檢測速度,使用剪枝量化的方法對(duì)YOLOv3算法模型進(jìn)行了簡化,完成了YOLOv3-tiny算法模型的訓(xùn)練,從而在檢測時(shí)間及檢測精度上達(dá)到了實(shí)時(shí)準(zhǔn)確的跟蹤目標(biāo)檢測要求。然后,第四章綜合以上兩方面的工作,建立了毫米波雷達(dá)及視覺相機(jī)數(shù)據(jù)信息融合模型,根據(jù)坐標(biāo)轉(zhuǎn)換關(guān)系完成了毫米波雷達(dá)和視覺相機(jī)的空間坐標(biāo)統(tǒng)一,根據(jù)最小公共采樣周期完成了毫米波雷達(dá)和視覺相機(jī)的時(shí)間坐標(biāo)統(tǒng)一,從而搭建了基于毫米波雷達(dá)及深度學(xué)習(xí)視覺信息融合的前方車輛檢測系統(tǒng)(以下簡稱融合系統(tǒng));在此融合系統(tǒng)中,利用毫米波雷達(dá)生成跟蹤目標(biāo)的感興趣區(qū)域,利用YOLOv3-tiny深度學(xué)習(xí)算法完成跟蹤目標(biāo)的驗(yàn)證,根據(jù)制定的融合規(guī)則算出融合后的跟蹤目標(biāo),最終利用UKF算法實(shí)現(xiàn)對(duì)跟蹤目標(biāo)的實(shí)時(shí)跟蹤。最后,第五章驗(yàn)證了融合系統(tǒng)跟蹤目標(biāo)檢測方法的有效性。分別進(jìn)行了融合系統(tǒng)各部件的選型,安裝并調(diào)試標(biāo)定了由毫米波雷達(dá)及視覺相機(jī)組成的融合系統(tǒng),并利用該系統(tǒng)及基于高精度GPS互定位的VBOX檢測設(shè)備分別獲取跟蹤目標(biāo)狀態(tài)信息,完成了在不同彎道曲率半徑下的跟蹤目標(biāo)檢測實(shí)驗(yàn)。通過對(duì)比分析VBOX數(shù)據(jù)與融合系統(tǒng)檢測得到的跟蹤目標(biāo)數(shù)據(jù),驗(yàn)證了彎道跟蹤目標(biāo)丟失算法有效解決彎道目標(biāo)丟失問題。
【學(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：U463.6;TN958;TP391.41
【圖文】：

第一章 緒論2009 年 Anselm H 和 Anton K 基于 Haar-like 特征進(jìn)行車輛檢測，通過使波器計(jì)算整體圖像特征，通過一系列增強(qiáng)分類器和自適應(yīng)滑動(dòng)窗口進(jìn)行前方車2013 年 Mahdi R 和 Mutsuhiro T 提出了一種基于多特征分析和融合的方法檢測，并使用了自適應(yīng)全局的分類方法進(jìn)行白天和黑夜條件下的車輛檢測[20]2016 年 Pawe F 和 Nowosielski A 等通過安裝在前擋風(fēng)玻璃的攝像機(jī)拍攝行卷積神經(jīng)網(wǎng)絡(luò)對(duì)前方車輛進(jìn)行檢測和分類[21]。Feature mapsf.mapsf.maps

圖 2-5 目標(biāo)靜止時(shí)信號(hào)隨時(shí)間變化規(guī)律是毫米波頻率帶寬， f 是發(fā)射信號(hào)與反射信號(hào)混頻止目標(biāo)時(shí)，發(fā)射信號(hào)與反射信號(hào)產(chǎn)生差頻值僅由于自沿與下降沿的差頻數(shù)值都相同，且發(fā)射信號(hào)與反射信因此，對(duì)于靜止目標(biāo)而言，通過其延時(shí)時(shí)間 t 就可以：D = t × c/ 2速，而對(duì)于 FMCW 來說，延時(shí)時(shí)間 t 遠(yuǎn)小于雷達(dá)的原理可得：/ 2t fT F = 帶入式（2-4），整理即可得前方目標(biāo)距離公式：

圖 2-6 運(yùn)動(dòng)目標(biāo)接收信號(hào)頻率變化為動(dòng)態(tài)目標(biāo)反射信號(hào)與發(fā)射信息上升沿的頻率差值，靜態(tài)信號(hào)，由于多普勒效率，動(dòng)態(tài)目標(biāo)的反射信號(hào)除接收延時(shí)外，還會(huì)產(chǎn)生多普勒頻移。其頻率差之間的b df f f+= -+b df = f f于多普勒頻移而帶來的差頻頻率，由式（2-6）和式（( )/ 2d b bf f f += ( + )/ 2b bf f f + =帶入式（2-5）得動(dòng)態(tài)目標(biāo)的距離計(jì)算公式為：
【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前9條

1 杜佳;宋春林;;一種改進(jìn)的毫米波雷達(dá)多目標(biāo)檢測算法[J];通信技術(shù);2015年07期

2 李星;郭曉松;郭君斌;;基于多特征融合的前向車輛檢測方法[J];計(jì)算機(jī)工程;2014年02期

3 胡彬;趙春霞;;基于MHT模型的毫米波雷達(dá)車輛檢測方法[J];南京理工大學(xué)學(xué)報(bào);2012年04期

4 尚在飛;肖文健;李永科;;基于CCD圖像傳感器的路徑識(shí)別算法分析[J];電子設(shè)計(jì)工程;2012年16期

5 胡彬;趙春霞;劉家銀;;基于毫米波雷達(dá)與圖像融合的車輛檢測[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年S2期

6 杜青云;雷正保;魏書彬;王志起;;基于汽車安全狀況的CST控制方法[J];交通科學(xué)與工程;2009年02期

7 楊保平;江修富;卜格鴻;許斌;;基于擴(kuò)譜技術(shù)的高精度無線電測距[J];裝備指揮技術(shù)學(xué)院學(xué)報(bào);2006年05期

8 劉勃,周荷琴,魏銘旭;基于顏色和運(yùn)動(dòng)信息的夜間車輛檢測方法[J];中國圖象圖形學(xué)報(bào);2005年02期

9 張建輝,劉國歲,顧紅,,蘇衛(wèi)民;多斜率步進(jìn)調(diào)頻連續(xù)波信號(hào)在汽車防撞雷達(dá)中的應(yīng)用[J];電子與信息學(xué)報(bào);2002年02期

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 黃曉慧;車輛彎道安全輔助駕駛控制系統(tǒng)設(shè)計(jì)[D];大連理工大學(xué);2013年

2 肖斌;多傳感器信息融合及其在工業(yè)中的應(yīng)用[D];太原理工大學(xué);2008年

本文編號(hào)：2891685