论文部分内容阅读
无人驾驶车(UGV)是在无驾驶员参与的情况下,自主获取环境信息识别可行驶区域并规划最优路线的一类典型的智能移动机器人,无人驾驶技术融合了多门学科尖端科技,综合利用各种传感器、数据处理和动作执行系统。环境感知系统作为整个无人驾驶系统的前端,负责获取并处理环境信息的任务,其性能优劣直接影响着无人驾驶车能否完成自主行驶任务。障碍物检测是环境感知系统中的重要一环,而非结构化环境中障碍物种类多样和形态多变都为UGV障碍物检测系统提出了较高的要求。本文针对野外环境下水体障碍物检测与跟踪这一较新领域展开研究,从被动传感器采集的视觉信息中发掘水体区域存在的显著特征,并加入机器学习算法使其具有更好的推广能力,最终提出一种基于SVM和SURF的水体障碍物检测和跟踪方法。具体包括以下内容：(1)针对亮度单一特征检测水体障碍物提取水体区域不准确的问题,提出将转化至HSV空间后提取到的S/V颜色特征与从灰度共生矩阵中提取到的能量、熵、惯性矩,相关性结合,共同形成水体颜色和纹理特征的描述水体区域进行检测的方法。(2)水体和地表颜色和纹理单个特征分布存在较为明显的界限,对统计特征加以学习,使其能够适应更复杂的环境。支持向量机(SVM)以统计学习理论为基础,在解决小样本和非线性问题时性能优异。本文在统计大量水体障碍物颜色和纹理特征的基础上,针对本文实际问题采用SVM分类器。通过实验选择RBF核函数和采样窗口尺寸,并优化RBF核函数参数提高分类器非线性问题解决能力,提高了水体障碍物检测能力。(3)在水体障碍物跟踪方面,本文采用基于SURF特征匹配的方法跟踪水体区域的显著特征,利用SURF特征点匹配研究相邻帧特征点移动特性和尺度变化。通过大量实验数据,拟合出尺度变化系数与目标窗口尺寸变化系数的函数关系从而对窗口位置和尺度实时更新,实验表明：SURF算法能较好的对抗车辆前进的过程中水体障碍物区域尺度变换和仿射变换对跟踪的不良影响,较SIFT算法在算法执行时间上有了较大提升。(4)最后根据前面实验研究结果,将SVM水体检测与SURF特征跟踪结合起来形成完整的水体障碍物检测跟踪系统,本文针对野外环境下起伏路况行驶导致的水体区域大幅度跳跃对跟踪系统可靠性的影响,提出两种跟踪失效形式的解决方案,并在多种光照条件下进行实验,针对Hessian响应值阈值和视频帧速对跟踪效果的影响进行了研究。