基于单目视觉的障碍物检测研究

论文摘要

为了减少交通事故的发生,近年来智能交通系统(ITS)中基于视觉的辅助驾驶子系统及其自动化技术发展的尤为迅速。这些子系统的一个最基本的要求是能够检测车辆前方的障碍物并将检测得到的障碍物信息提供给驾驶员,以便驾驶员能够及早地采取相应的安全措施以尽可能地避免交通事故的发生。本研究的主要目的是设计一个障碍物检测系统。该系统将一个单目相机安装在车辆的副驾驶座前方,该相机在车辆运行过程中拍摄车辆前方的道路环境,车载计算机实时的处理这些拍摄得到的视频,该系统的输出为障碍物的形状特征。第一步,使用混合高斯模型(Gaussian mixture model)对背景进行建模。混合高斯模型作为一种经典的背景建模方法,经常在相机静止的场景下用来检测运动物体。但是在本研究中,相机是随着车辆运动的,混合高斯模型并不适合应用在这种相机运动的场景下,但是根据道路的特殊特征,也可以在这种场景下使用混合高斯模型进行背景建模。一旦通过背景建模得到背景图像之后,也就可以通过比较输入图像与背景图像来获取前景图像。前景图像包括了道路上所有的物体,即包括静止的也包括运动的物体。第二步,在两帧连续的图像中,利用这两帧图像之间的几何关系来对第一帧图像进行运动补偿处理,得到一张运动补偿图像。通过对这张运动补偿图像和第二帧图像进行比较,可以检测得到道路区域。第三步,对于非道路区域进行区域分类,得到障碍物区域和噪声区域。第四步,在第一步检测得到的前景图像中,使用道路区域,障碍物区域和噪声区域删除所有非障碍物物体,从而得到最终的障碍物检测结果。我们使用分别在人工场景和真实场景中拍摄得到的视频来检测本障碍物检测系统的有效性。实验表明,本障碍物检测系统能够有效地同时用于检测静止的和运动的障碍物,例如道路上的行人和箱子等障碍物。

论文目录

• 摘要
• ABSTRACT
• 符号清单
• 第一章 绪论
• 1.1 研究背景
• 1.2 研究目的
• 1.3 研究现状
• 1.4 检测方法概要
• 1.5 论文内容安排
• 第二章 混合高斯模型
• 2.1 引言
• 2.2 虚拟场景的构造
• 2.3 混合高斯模型原理
• 2.4 模型参数的更新
• 2.5 背景模型的估计
• 2.6 前景分割
• 第三章 自车运动参数估计
• 3.1 特征点的检测
• 3.2 特征点的跟踪
• 3.2.1 经典Lucas-Kanade算法
• 3.2.2 金字塔应用
• 3.3 RANSAC
• 3.4 基础矩阵
• 3.5 相机运动参数
• 3.6 本章小结
• 第四章 道路区域的检测
• 4.1 引言
• 4.2 基于图像边缘的道路区域检测
• 4.2.1 Canny边缘检测
• 4.2.2 Hough变换
• 4.2.3 消失点的检测
• 4.2.4 道路区域的形成
• 4.3 基于运动补偿的道路区域检测
• 4.3.1 世界坐标系与相机坐标系
• 4.3.2 相机模型
• 4.3.3 运动补偿图像
• 4.3.4 归一化互相关函数
• 4.4 方法比较与本章小结
• 第五章 障碍物抽取
• 5.1 问题描述
• 5.2 区域分类
• 5.3 后处理
• 5.4 本章小结
• 第六章 实验
• 6.1 实验设置
• 6.2 实验方法与结果
• 6.2.1 背景建模
• 6.2.2 道路区域检测
• 6.2.3 障碍物抽取
• 6.2.4 对比实验
• 第七章 结论与讨论
• 7.1 实验结果评价
• 7.2 实验结果讨论
• 7.3 实验结论
• 7.4 研究工作展望
• 参考文献
• 致谢
• 作者在攻读硕士学位期间发表的学术论文