未来智讯 > 科技博览纵横 > 基于单目视觉和毫米波雷达的测距算法研究

基于单目视觉和毫米波雷达的测距算法研究

发布时间:2019-04-26 00:20:59 文章来源:未来智讯    
邱月天

总结:远程测量是无人驾驶的基本技能。 本文提出的主要思想是基于单目机械视觉和毫米波雷达数据。 基于数据的毫米波雷达数据用作帮助。 图像数据首先由深度神经网络处理,并且检测图像中的障碍物,并且阻碍对象的图像坐标。 在检测的根部,运动成像模具,并且将图像坐标转换成真实世界坐标以规划距车辆的实际距离。 在处理毫米波雷达的数据时,只需要找到指标的精确距离,然后可以反向校正成像模具中的俯仰角参数,以获得更准确的值,并进行视觉测距算法 有所改善。 精确。 试图证明这种融合模式可以大大降低设备成本和实际使用过程中的策略成本,减少了毫米波设备本身的诸多局限,也解决了单纯视距测量的参数校准问题。 。

关键词:单目视觉; 卷积神经网络; 成像模型; 数据融合

中图分类号:U463.6文献标识码:A文章编号:1671-2064(2018)22-0223-03

世界卫生组织的数据显示为1.24 全世界有数百万人死于车祸,他们正在崛起,但如果90%的道路都是无人驾驶汽车,那么交通事故的数量将从600万减少到130万,这足以看出其优越性 无人驾驶技能。 但是在这个阶段,无人技能仍然不复杂。 例如,在亚利桑那州坦佩市的一个十字路口,有一辆无人驾驶汽车可以杀死行人,还有一辆来自谷歌Waymo公司的驾驶测试车。 一场车祸在钱德勒,亚利桑那,美国。

为了提高无人驾驶的安全性,实现周围障碍物的截止位置并获得准确的距离是非常严重的。 基于以上原因,本文提出了一种基于单目视觉和毫米波雷达的实时障碍物 - 障碍测距算法,该算法结合了单目视觉和毫米波雷达数据,并试图验证该算法使用单目视觉或 毫米波雷达等的使用在正确性和鲁棒性方面都有很大的改进。

1讨论和匹配

目前主流的测距手腕依赖于各种感应设备。 各种传感装置各有优缺点。

道路上的主动驾驶车辆基本上都配备了激光雷达。 激光雷达距离检测的原理基于光的返回时间。 激光二极管发射脉冲光以检测反射信号并寻求策略。 激光雷达的优点和缺点非常好。 优点是检测范围宽,检测精度高。 缺点是在雨雪天气等极端天气下本能降级,激光雷达设备价格高(64线激光雷达售价高达70万人)。 毫米波雷达的波长在厘米波之间在光波和光波之间,同时具有厘米波和光波的一些优点。 毫米波雷达的弱点在于它对木材的穿透力低,并且很容易受到路面上金属物体的影响。 然而,它也具有很大的市场需求,毫米波雷达的硬件设备成本较低。 人类首先运用视觉系统来追捕驾驶所需的信息。 对于车载相机,成像过程是二维空间中三维空间中的点的投影。 当摄像机搜索车辆的周围场景时,获得二维信息,并且丢失深度信息。 有必要对成像过程进行建模。 找到从2D到3D的逆过程,例如将2D平面图像上的点恢复到3D空间并检索丢失的深度信息。

实时测距方法的第一步是在每帧图像中找到对象,同时确定对象的位置和类型,即检测到的问题。 机器视觉类别中的指示器。 基于卷积神经网络的深度学习技术,在数据量训练后,检测问题基本得到了解决。 本文练习开源fast-rcnn,它可以检测图像中的障碍物。

2讨论的要点

单眼视觉和毫米波雷达相结合,用于定位车辆周围的障碍物,首先包括指标检测,检测中的基本建模 ,mm波数据处理和数据融合的几个关键程序,下面分别对它们进行详细介绍。

3指示灯检测

在车辆周围设置障碍物时,第一步是识别车辆外部指示灯的识别,然后进一步分析具体行为。 该项目的指标检测网络基于更快的RCNN,混沌网络可以达到5fps,正确率为78.8%。 指标检测网络基本上使用四个基本程序来表示指标检测。 首先,确定图像中的候选帧数; 其次,对候选帧内的每个区域使用深度网络提取功能; 使用分类器来确定它是否属于候选帧中提出的特征的特定物种; 矩形框架通过回归设备进一步圆化。 更快的RCNN的基本网络布局如图1所示。

在用speed-rcnn处理图像数据之后,可以获得图像中的障碍物类型及其位置。 显示图像和对象的外接矩形框。

4成像模型

为了在成像过程中检索丢失的深度信息,本文设置了摄像机的投影模型,从现实世界的坐标到像素 坐标。 转换关系,最后获得道路坐标与图像坐标之间的关系。 相机的成像基于小孔成像原理,该原理能够在不考虑失真的环境中对整个成像过程进行建模,如图2所示。

In(a ),道路是平面ABU,ABCD是可以实际拍摄的区域,相机镜头的中心点是O点,光轴是OG,光轴和道路平面是G点,道路平面上的点O的垂直投影是点I.在三维道路坐标系中,坐标的原点是点G,并且Y轴的正偏差是车辆进度的偏差。 图像平面中GABCD点的对应点如(b)所示,图像的高度和宽度由H和W分开。图像是标准的矩形,图像的中点g 是图像坐标系的原点,车辆进度偏向y轴。 如果在实际路面坐标系中存在点P,则点p是对应的图像平面坐标系中的P点,并且凭证成像原理与坐标系之间的转换关系可以导出之间的转换关系。 路面坐标和图像像素坐标。

归纳公式,用于表示现实世界中道路坐标与图像像素坐标之间的转换关系。

其中H和W是图像的高度和宽度,h是高度,2β0是镜头视角,2α0是镜头的垂直视角,γ0是镜头间距 角度。 锻炼成像模具可以实现图像坐标和真实世界坐标之间的转换。

理论上,索引检测用于获取图像中障碍物的图像坐标,然后成像模型将图像坐标转换为世界坐标,以及测距和定位。 障碍可以实现。 使用算法获取图中某个指标的距离d1到摄像机的视野。 按下设备时,测量将获得摄像机从视野到车辆前方的距离。 车辆和火线之间的距离是正确的。 距离d,d = d1 + d2。

寻找d1的要点如下:

(1)分辨率指示器检测图像中的障碍物并用矩形框标记;

(2)找到矩形框底边中点的图像平面坐标;

(3)找到图像平面底边中点的图像平面坐标;

(4)将两个图像平面坐标分辨率几何图形导出到 道路平面坐标;

(5)两点之间的距离用于求解距离d1。

上述方法仅使用视觉信息,然后本文将雷达数据与视觉信息相结合,以实现更高的效率。

5毫米波雷达数据处理

毫米波雷达数据选择纯文本模式保留数据,以当前系统时间为时间戳,包含距离,角度和速率 ,数据频率不低10HZ时,原始数据保留为十六进制。 抓取雷达数据(十六进制)进行解析。 例如,47 80 30 00 00 F1 33 00,解决状态是雷达法线的0°误差,位置是4.8米,速度是0米/秒。

6数据融合更复杂的距离调查

距离解决方案实际是一个已知的函数参数,给定输出过程的输入。 偏差是一个不准确的参数。 如果可以知道多组输入和输出,则可以反向求解函数参数,并且校正的参数可以用于其他距离解。 在实际驾驶车辆期间,由于摇晃或打开下坡,高度和俯仰角度会发生变化,因此参数会动态变化,因此需要实时校准。 在试验结束时,影响模具精度的最重要因素是俯仰角,其次是高度,即根据实际环境校正俯仰角和高度,或仅校正俯仰角。 当前提条件很小时。 。

当车辆行驶时,可以使用毫米波雷达收集车辆的火线,避开物体的距离和速度,精度极高,可以认为是 正确的价值。 因此,在通过毫米波雷达获得几组正确距离之后,可以解决仰角和高度的两个未知参数。 在实际使用中,可以选择步进方法来解决问题,给定初始值,增加或减小小值,直到视觉策略距离和毫米波雷达之间的距离的绝对偏差最小化。

7Test

本文仅在车辆静止时进行了测距测试。 单独获得单眼视觉的分离,并且使用单眼视觉结合毫米波雷达测距。 。

在车辆静止状态下,与车辆火线的距离为0到40米。 距离偏差是绝对偏差。 在指示器检测模型识别出障碍物之后,分离取决于单眼视觉。 测距结合毫米波雷达校准俯仰角然后再次寻找距离,两者进行比较,表格如表1所示。

8结论

从测试中可以看出,在毫米波雷达校准俯仰角后,绝对偏差大大降低。 因此,可以得出结论,如果可以分辨毫米波雷达并且校正某个障碍物的精确距离,则可以校正校正的俯仰角,并且可以获得更精确的距离。 在车辆实时线的40米范围内,最大偏差不超过0.13米。 这个方案是最准确的。 同时,在车辆行驶过程中,由于冶炼算法混淆程度低,也可能是一种现实的策略。

9预测

在这个快速增长的时代,无人驾驶技能是未来交通增长的必要条件。 本文采用的主要方法是联合单目视觉和毫米波雷达,利用指标检测,成像建模,毫米波数据处理和数据融合等技术,挽救车辆周围障碍物的定位,达到正确的距离。 局的目的。 它解决了不精确测距的问题,成本低,实现了高精度。

将来,在仅校准仰角的基础上,可以考虑更多的校准成像参数,参与更多的先验知识,或考虑更准确的指标来检测模具和其他进一步的提升准确度 。

参考文献

[1] Ren S,He K,Girshick R,et al。 更快的R-CNN:利用区域提案网络实现实时目标检测[J] .IEEE Transaction关于模式分析与机器,2015:1-1。

[2]陈卓。 基于车辆单目机械视觉的火线车速度测量系统的探讨与实现[D]。 浙江工业大学,2012。

中国科技2018,22

关于中国科学技术的其他文章,海洋安全区的影响 周边社区经济和低分析探索碳催化和林业资源的效率,探索光催化净化甲醛的效率,并接管热回收操作技能点系统易于保持鼓和讨论室内植物(北) 水利建设消除了甲醛对生态环境的影响
转载请注明来源。原文地址:https://www.7428.cn/page/2019/0426/87186/
 与本篇相关的热门内容: