毫米波雷达和机器视觉融合的前方车辆检测与跟踪算法研究

摘要

随着汽车技术的发展以及快节奏生活的到来，汽车在人们生活中占据着越来越重要的地位，汽车带来的交通事故也让人们对汽车安全愈加重视。环境感知技术使用车载传感器采集和处理车辆周边环境信息，为车辆系统和驾驶员提供可靠的决策和控制依据，是汽车高级驾驶辅助系统（ADAS系统）的核心技术。　　识别准确率高、实时性好的的前方车辆检测技术可以为 ADAS 系统提供有效的环境感知信息，对提高汽车的驾驶安全性、改善驾驶环境有着重要意义。因此，本文以 ADAS 系统中道路环境感知技术为研究对象，研究基于毫米波雷达和机器视觉的前方车辆检测和跟踪方法，并建立雷达与视觉的信息融合检测方法，实现准确、实时的前方车辆检测。本文的主要研究内容如下：　　①基于毫米波雷达的车辆检测和跟踪。首先对雷达数据进行预处理，通过滤掉空目标，设置相对车速和车道范围阈值，初选出有效车辆目标。提出一种多目标跟踪算法，该算法框架融合无迹卡尔曼滤波算法，考虑多目标的数据关联和航迹管理，并采用该跟踪算法对有效车辆目标进行持续跟踪。　　②基于机器视觉的车辆检测和跟踪。首先基于车底阴影和尾部对称性特征提出一种基于图像特征的车辆检测算法，用于快速生成车辆假设区域；然后基于Haar-like特征，用Adaboost算法训练大量正负样本得到车辆分类器，用于对车辆假设区域进行验证，识别出有效的车辆目标；采用核相关滤波算法对有效车辆目标持续跟踪，提高算法的鲁棒性和识别准确率，降低漏检和误检。　　③基于毫米波雷达和机器视觉的信息融合。建立毫米波雷达和机器视觉的信息融合算法框架，通过相机标定、坐标系转换以及统一传感器采样时刻，实现毫米波雷达和机器视觉在空间和时间上的信息融合。　　本文基于VS 2015 C++平台和OpenCV算法库搭建毫米波和机器视觉的信息融合车辆检测算法，采集实验数据对算法进行验证。结果表明，在日间光照条件良好、结构化道路的环境条件下，本文算法能够满足对前方车辆目标检测和识别的需求，具有较好的环境适应性，为车辆 ADAS 系统提供准确、有效的道路环境信息。

目录

1 绪 论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 基于毫米波雷达的前方车辆检测与跟踪方法

1.2.2 基于机器视觉的前方车辆检测与跟踪方法

1.2.3 基于多传感器融合的车辆识别

1.3 论文主要研究工作

2 基于毫米波雷达的车辆检测与跟踪

2.1 毫米波雷达工作原理

2.2 毫米波雷达选型与数据解析

2.3 毫米波雷达数据预处理

2.3.1 空目标滤波

2.3.2 相对车速滤波

2.3.3 车道范围滤波

2.4 车辆目标跟踪算法

2.4.1 多目标跟踪算法框架

2.4.2 多目标跟踪算法

2.4.3 算法验证

2.5 本章小结

3 基于机器视觉的车辆目标检测与跟踪

3.1 基于图像特征的车辆检测算法

3.1.1 图像预处理

3.1.2 生成车辆ROI区域

3.1.3 车辆存在性判断

3.1.4 基于图像特征的车辆检测算法验证

3.2 基于Haar-like+Adaboost车辆检测算法

3.2.1 Haar-like矩形特征

3.2.2 Adaboost算法原理

3.2.3 基于OpenCV的检测算法实现

3.3 核相关滤波跟踪算法

3.3.1 核相关滤波跟踪算法原理

3.3.2 结合KCF跟踪算法的车辆检测方法

3.3.3 跟踪算法验证

3.4 本章小结

4 基于毫米波雷达与机器视觉的信息融合算法研究

4.1 多传感器信息空间融合

4.1.1 毫米波雷达坐标系与世界坐标系转换

4.1.2 世界坐标系与摄像机坐标系转换

4.2 摄像机选型与标定

4.2.1 摄像机传感器的选型

4.2.2 相机标定

4.3 多传感器信息时间融合

4.4 基于雷达与机器视觉的信息融合算法研究

4.4.1 雷达投影ROI区域

4.4.2 融合算法机器视觉检测区域分割

4.4.3 视觉与雷达信息融合的关联算法

4.5 信息融合算法验证

4.6 本章小结

5 总结与展望

5.1 全文总结

5.2 工作展望

参考文献

附录

A 作者在攻读学位期间发表的专利

B 作者在攻读学位期间发表的论文

C 作者在攻读学位期间参与的科研项目

D 学位论文数据集

致谢