基于激光雷达与毫米波雷达融合的车辆目标检测算法

针对仅基于单一传感器的目标检测算法存在检测精度不足及基于图像与激光雷达的多传感器融合算法检测速度较慢等问题,提出一种基于激光雷达与毫米波雷达融合的车辆目标检测算法,该算法充分利用激光雷达点云的深度信息和毫米波雷达输出确定目标的优势,采用量纲一化方法对点云做预处理并利用处理后的点云生成特征图,融合毫米波雷达数据生成感兴趣区域,设计了多任务分类回归网络实现车辆目标检测.在Nuscenes大型数据集上进行训练验证.结果表明:检测精度可达60.52％,每帧点云检测耗时为35 ms,本算法能满足智能驾驶车辆对车辆目标检测的准确性和实时性要求.     

基于毫米波雷达与图像融合的车辆检测

研究了多传感器融合技术在智能车辆上的应用,对毫米波雷达采集的数据采用多帧融合的方法过滤出有效的雷达目标,并使用张正友标定法对雷达目标和图像进行了融合处理,实验结果表明了该方法的可行性和有效性,效果明显优于传统的单视觉的车辆检测方法.     

运动车辆的多传感融合跟踪

针对单一传感器可靠性低、有效探测范围小的缺点,提出了采用雷达与机器视觉融合来实现路面运动车辆跟踪的新方法.该方法采用动力学模型对车辆运动进行描述,考虑了车体运动与车轮速率、转向角之间的关系,比用线性模型更符合车辆实际行驶时的复杂运动状况.通过基于雷达量测的扩展卡尔曼滤波估计建立视觉窗口,再根据图像灰度信息自适应调整窗口中心位置及尺寸,有效地限制了后继图像处理的工作区域,提高了系统的实时性.新方法采用数据融合技术,充分利用雷达与图像传感的量测信息,改善了对机动目标的状态估计.实验证明,该方法能明显提高路面运动车辆位置和方向角的跟踪精度.     

复杂道路环境中前方车辆检测方法

为提高前方车辆检测在不同道路环境中的鲁棒性和实时性,提出一种基于支持向量机的多传感器融合前方车辆检测方法。系统工作前利用多传感器数据融合建立雷达坐标与图像坐标的转化关系,以毫米波雷达在各种复杂道路环境中前方障碍物的检测数据为基础,利用支持向量机(SVM)训练分类器构建车辆与非车辆识别系统,最终根据车辆宽高比的统计规律,建立前方车辆识别窗口。道路试验结果表明该方法前方车辆识别准确率为89.2%,单帧图像的处理速度为31 ms。对于不同道路环境中的前方车辆检测表现出了良好的稳定性和准确性,总体性能取得较为显著的提高。     

复杂道路环境中前方车辆检测方法研究

为提高前方车辆检测在不同道路环境中的鲁棒性和实时性,提出一种基于支持向量机的多传感器融合前方车辆检测方法。系统工作前利用多传感器数据融合建立雷达坐标与图像坐标的转化关系,以毫米波雷达在各种复杂道路环境中前方障碍物的检测数据为基础,利用支持向量机(SVM)训练分类器构建车辆与非车辆识别系统,最终根据车辆宽高比的统计规律建立前方车辆识别窗口。道路试验结果表明该方法前方车辆识别准确率为90.7%,单帧图像的处理速度为35ms,对于不同道路环境中的前方车辆检测表现出了良好的稳定性和准确性,总体性能取得较为显著的提高。     

基于多传感器数据融合的目标识别和跟踪

基于单传感器（雷达或红外）系统存在局限性,提出了基于多传感器（雷达和红外）信号融合的目标识别和跟踪系统,它能利用不同传感器的数据互补和冗余。特征层融合能通过利用其他传感器模块提供的目标特征信号来提高目标检测概率和降低虚警概率;决策层融合能矫正因受干扰等原因而失去目标跟踪能力的传感器模块的伺服跟踪回路,并提高抗干扰性。     

基于主被动传感器融合的车辆检测

为了检测车辆目标,提出了一种基于主被动传感器融合的车辆检测方法.将车辆检测分为假设和验证假设两个步骤,在假设阶段,通过被动传感器——毫米波雷达进行目标的检测与跟踪,在对雷达数据进行最邻近法聚类后,在多假设跟踪模型下,将观测目标集与通过卡尔曼滤波器预测的目标集进行数据关联,得到雷达目标.在验证假设阶段,首先通过新出现的雷达目标找出车辆可能存在的区域,然后通过训练好的分类器对这些区域进行验证得到最终的车辆目标.在实验室的无人自主车平台上,本系统在城市道路和乡村道路环境下进行了大量实验,结果表明本文的方法可以有效地检测并跟踪到车辆目标,得到目标的距离和速度信息,从而帮助自主平台实现更多功能.     

基于视觉显著性特征的粒子滤波跟踪算法

针对复杂环境下的运动目标跟踪问题,提出了一种基于视觉显著性特征的粒子滤波跟踪算法.该算法利用显著性检测算法对序列图片进行检测,生成视觉显著图,然后利用二阶自回归模型对目标状态进行预测,再根据中心强化-四周弱化的机制,生成最终显著图.利用视觉显著图中目标区域像素值较大的特点,提取视觉显著性特征,与颜色特征进行自适应融合,从而完成跟踪.实验结果表明,该算法能够有效应对跟踪过程中出现的场景光照变化和目标姿态变化等问题,具有较强的鲁棒性.     

联合多视角互投影融合的三维目标检测方法

针对当前智能车辆目标检测时缺乏多传感器目标区域特征融合问题,提出了一种基于多模态信息融合的三维目标检测方法. 利用图像视图、激光雷达点云鸟瞰图作为输入,通过改进AVOD深度学习网络算法,对目标检测进行优化;加入多视角联合损失函数,防止网络图像分支退化. 提出图像与激光雷达点云双视角互投影融合方法,强化数据空间关联,进行特征融合. 实验结果表明,改进后的AVOD-MPF网络在保留AVOD网络对车辆目标检测优势的同时,提高了对小尺度目标的检测精度,实现了特征级和决策级融合的三维目标检测.      

基于MHT模型的毫米波雷达车辆检测方法

为了在智能车辆系统中检测前方车辆,该文提出了一种基于多假设跟踪(Multiplehypothesis tracking,MHT)模型的车辆检测方法。首先在多假设跟踪模型下,定义毫米波雷达量测集合与目标集合的对应关系,采用广义概率数据关联算法提取量测集合中的有效目标,从而得到有效目标集合。利用概率树模型估算目标的出现概率来维护检测的目标集合,保留稳定的检测结果。实验结果表明:该方法对于远近距离下和较差环境下黑夜灯光的前方车辆达到了准确的检测效果,克服了基于视觉的车辆检测方法对目标距离和环境光线敏感的缺点,同时在目标的保持维护上也取得了良好的效果。