基于深度恢复的障碍物检测的研究与实现

论文摘要

近年来,随着人民生活水平的提高,车辆的持有量也不断增多,交通问题也日益严重。其中,因倒车而发生的事故数目不容忽视,所以各种倒车辅助驾驶技术也逐渐成为汽车工业领域的热点。在各式各样的倒车辅助驾驶系统中,基于视觉的倒车辅助以其直观真实,检测范围广、获取信息丰富等优点,备受关注,而适用于此类辅助系统的障碍物检测算法也成为了一个热点研究问题。在进行倒车时,需要将对车辆构成威胁的任意类型的障碍物全部检测出来,并及时报警,这样才能有助于实现安全驾驶。根据倒车时的这个应用需求,本文提出一个基于深度恢复的障碍物检测方法。该方法首先对图像进行预处理,抑制噪声,提高图像的对比度,增强图像细节信息,为后续操作奠定基础；其次,建立白车的运动模型,利用从传感器获得的车辆自身相对于路面的运动参数,为当前时刻图像的每个像素点查找其在相邻多帧图像中的对应点,并根据这些多帧图像中共有点集为当前图像中的每个像素建立分布模型；利用立体物体与道路平面运动的差异性,使用已建立的分布模型检测出当前图像中每个像素的属性,当像素不符合其分布时,则认为其为障碍物上的点,否则,为道路平面上的点,这样得到候选障碍物；最后,使用SURF算法查找相邻两帧图像中候选障碍物上的特征点,使用穷举法匹配两帧图像中的特征点,得到高精度的特征点对的集合；根据深度恢复原理,对候选障碍物进行深度恢复,将没有对车辆构成威胁的障碍物去除,得到最终的各个障碍物。该系统可以检测各种复杂场景中的任意类型障碍物,将检测结果及时的通过显示装置展现给驾驶者,并能给出障碍物的深度信息。实际场景测试结果表明,本文提出的基于深度恢复的障碍物检测算法在识别率和性能方面都达到了预期效果。

论文目录

• 摘要
• Abstract
• 目录
• 第1章 绪论
• 1.1 课题背景
• 1.2 国内外研究现状
• 1.3 研究意义及内容
• 1.4 本文的组织结构
• 第2章 障碍物检测相关技术简介
• 2.1 图像成像原理
• 2.1.1 坐标系的建立性
• 2.1.2 摄像机成像过程
• 2.1.3 图像变换
• 2.2 图像增强介绍
• 2.2.1 空域增强法
• 2.2.2 频域增强法
• 2.2.3 Retinex理论
• 2.3 特征点提取方法
• 2.3.1 Harris特征点
• 2.3.2 Forstner特征点
• 2.3.3 SURF特征点
• 2.4 特征点跟踪算法
• 2.4.1 LK光流金字塔跟踪算法
• 2.4.2 粒子滤波跟踪算法
• 2.4.3 MeanSift跟踪算法
• 2.5 深度恢复方法
• 2.5.1 基于立体视觉的深度恢复
• 2.5.2 基于运动恢复结构的深度恢复
• 2.6 本章小结
• 第3章 障碍物检测算法
• 3.1 问题分析与解决
• 3.2 自车运动模型的建立
• 3.3 检测候选障碍物区域
• 3.3.1 逆透视投影变换
• 3.3.2 多帧图像共有点建模
• 3.4 SURF特征点提取与跟踪
• 3.4.1 积分图
• 3.4.2 提取SURF特征点
• 3.4.3 跟踪SURF特征点
• 3.5 深度恢复算法
• 3.5.1 立体物低于摄像机时深度恢复算法
• 3.5.2 立体物高于摄像机时深度恢复算法
• 3.5.3 深度恢复的改进
• 3.6 本章小结
• 第4章 障碍物检测系统的设计与实现
• 4.1 应用需求分析
• 4.2 障碍物检测系统设计
• 4.3 障碍物检测
• 4.3.1 图像预处理
• 4.3.2 多帧图像共有点建模
• 4.3.3 障碍物的深度恢复
• 4.3.4 确定障碍物区域
• 4.4 本章小结
• 第5章 检测算法评估
• 5.1 系统实现平台
• 5.2 评估标准
• 5.3 评估结果及分析
• 5.4 本章小结
• 第6章 总结与展望
• 6.1 本文工作总结
• 6.2 展望
• 参考文献
• 致谢