智能网联汽车技术：无人驾驶汽车环境感知+无人驾驶汽车定位导航PPT教学课件.pptx

;学生通过该项目的学习,了解无人驾驶汽车结构化道路检测、非结构化道路检测、行驶环境中目标检测和交通信号灯和交通标志检测的工作原理和方法,提高学习兴趣,初步了解无人驾驶汽车环境感知相关知识并加深理解。;道路检测是无人驾驶汽车视觉导航研究的核心和关键技术,由于道路环境的复杂性,现有算法仍有待改进优化之处。为解决道路检测算法在较为复杂的道路交通环境中难以在鲁棒性和效率间达到平衡的问题,应该从感兴趣区域特征信息提取、道路图像信息深度挖掘优化及冗余干扰信息剔除、道路模型参数求解3个方面对车道标线检测方法和非结构化道路边界检测方法进行研究。;道路主要分为结构化道路和非结构化道路。对于结构化道路来说,道路检测的目标是车道标线;对于非结构化道路来说,道路检测的目标是道路边界。;为实现无人驾驶汽车在行驶过程中对前方车辆的准确识别及定位,一种基于视觉传感器和64线三维激光雷达信息融合的前方车辆识别算法被提出。算法分为离线训练模块和在线识别模块,以类Haar-HOG融合特征作为目标车辆描述方法,采用Adaboost算法进行离线训练获得级联分类器;融合三维激光雷达提取的障碍物块位置信息,确定图像中前方车辆感兴趣区域;通过密集扫描提取该区域子窗口,运用级联分类器进行前方车辆辨识,并对未被识别成前方车辆的感兴趣区域进一步分析,以解决因遮挡造成的漏识别问题。;无人驾驶汽车通过车载传感系统获取道路环境信息后自动规划行驶路线并控制车辆的速度及转向,进而实现车辆在道路上安全可靠地行驶。无人驾驶汽车的关键技术主要包括对道路环境的感知、对行驶路径的规划、对车辆运动行为的智能决策及对车辆实现自适应运动的控制。;知识拓展;;道路检测算法要求具有鲁棒性和实时性。鲁棒性要求在光照不均路面包含阴影、水渍及文字干扰等较为复杂的环境中能够准确地检测出车道标线或道路边界;实时性要求道路检测算法能够满足车辆在行驶过程中对处理速度的需要。;视觉传感器采集到的道路图像往往包含天空及远处其他环境因素,这些信息对车辆是否安全行驶没有任何价值,但对车道标线的检测造成了一定的干扰,并且由于对无用信息的处理,计算量也相对增加。因此,为了能够准确检测出车道标线并加快处理速度,将不包含道路信息的天空部分,以及较远处的其他干扰信息去除。如图4-1所示,以红线为界将图像分成A、B两部分,其中A部分为去除部分,B部分为剩余部分,即道路区域。;二、车道标线检测;从图4-2可以看出在光照均匀、车道标线清晰及周围干扰信息较少的情况下,该方法分割效果较好。但是,车辆在行驶过程中,经常受遇到光照不均、阴影、水渍及其他环境因素的干扰,此时传统方法的分割效果便会受到影响,如图4-3所示。;为解决上述问题,从自适应阈值分割法(OTSU法)的思路出发,提出了一种面向图像像素点的道路图像分割方法,即以任一像素点邻域灰度均值作为该像素点的阈值,引入邻域像素灰度值方差作为最终判断依据对该像素点进行分类,为加快处理速度,利用像素灰度值变化率的相似性对其四邻域的像素点进行类别判断。;按照定义阈值T对像素点所属区域进行判断,还存在一个误判断的问题,即有可能将部分噪声或其他因素造成的局部突变分类为目标区域。通过分析发现,对于只存在目标或者只存在背景的邻域,其像素灰度值方差较小;而对于目标和背景同时存在的邻域,其像素灰度值方差较大。基于这个特性,这里进一步引入邻域像素灰度值方差作为衡量标准来抑制像素点的误分类。;对于图像来说,虽然其目标区域和背景区域内部像素点灰度值分布范围较大,但是变化率整体来说还是比较均匀的。在实际情况中,如果要求将灰度值变化率完全相同的相邻像素点归为同一类区域,就过于理想化,因为相邻像素点灰度值变化率大致相同,但个别也存在偏差,即属于同一区域的灰度值变化率具有波动性。因此,以“灰度值变化率相似”为判断依据,具体方法描述如下:;(1)设定像素点(i,j)及相邻像素点(i,j+1)同属一类区域,假设目标区域为O,其灰度值分别为z(i,j)和z(i,j+1)。

(2)设定灰度值变化率波动阈值为τ(该值选取不宜过大),然后对像素点(i,j)上、下、左、右四邻域的像素点进行类别判断。

运用这种方法对图4-1和图4-3(a)重新进行图像分割,效果如图4-5所示。由图4-5可以看出,相较于传统的OTSU方法,这里提出的方法使车道标线区域较好地突显出来,有效地抑制了外界环境因素的干扰。;2.车道标线特征点提取

(1)基于抽样双向扫描的候选车道标线特征点提取。图像分割后,需要扫描二值化图像微课车道标线特征点提取以获得候选车道标线特征点。常规方法是从左到右、从上到下依次遍历整幅图像,扫描效率较低,处理耗时较长。为了减少计算量,对图像的纵坐