基于信息融合的道路和障碍物检测方法研究.pdf

《基于信息融合的道路和障碍物检测方法研究.pdf》由会员分享，可在线阅读，更多相关《基于信息融合的道路和障碍物检测方法研究.pdf（66页珍藏版）》请在三一文库上搜索。

1、硕士论文基于信息融合的道路和障碍物检测方法研究 K e yw o r d s ：r o a dd e t e c t i o n , o b s t a c l ed e t e c t i o n , i m a g e ，l a d a r , d a t af u s i o n , S V M ，F S V M ， i m a g es e g m e n t a t i o n 目录硕士论文 目录 摘要。I A b s t r a c t I I 目录 1 绪论。1 1 1 研究背景和意义1 1 2 国内外研究现状2 1 2 1 移动机器人的发展和现状2 1 2 2 多传感器信息融合

2、技术研究进展。3 1 2 3 道路和障碍物检测技术研究进展5 1 3 论文主要内容及章节安排6 1 3 1 论文主要内容6 1 3 2 论文结构安排7 2 移动机器人系统平台介绍8 2 1 移动机器人系统介绍8 2 2 环境感知系统和传感器1 0 2 2 1 摄像机采集和处理信息1 0 2 2 2 激光雷达采集和处理信息，1 2 2 2 3 多传感器联合标定1 3 2 3 本章小结1 4 3 基于图像的道路检测1 5 3 1 道路检测算法研究1 5 3 1 1 道路特征分析。1 5 3 1 2 支持向量机分类原理2 0 3 2 基于多特征信息融合的道路区域检测算法2 l 3 3 实验结果与分析

3、2 7 3 4 本章小结3l 4 基于图像和激光雷达信息融合的道路障碍物检测3 2 4 1 基于激光雷达的道路检测3 2 4 1 1 激光雷达数据处理一3 2 4 1 2 基于激光雷达的道路检测一3 3 4 2 基于图像和激光雷达的道路区域检测算法3 6 I V 硕士论文基于信息融合的道路和障碍物检测方法研究 4 2 1 模糊支持向量机3 6 4 2 2 用F S V M 分割道路3 8 4 2 3 实验结果与分析。：4 2 4 3 基于图像和激光雷达的障碍物检测4 5 4 3 1 基于图像的障碍物检测4 5 4 3 2 基于激光雷达的障碍物检测。4 9 4 3 3 图像和激光雷达信息融合5

4、1 4 3 4 实验结果及分析。5 2 4 4 本章小结。5 4 5 总结与展望。5 5 5 1 工作总结5 5 5 2 研究展望5 5 鸳| 谢。5 6 参考文献5 7 V 硕士论文 基于信息融合的道路和障碍物检测方法研究 1 绪论 1 1 研究背景和意义 随着计算机信息技术和人工智能技术的发展，基于环境感知、信息处理、决策规划 和行为控制的智能移动机器人系统【1 】成为当前机器人研究领域的热门分支。智能移动机 器人的研究涉及到传感器、计算机信息处理、自动化控制、人工智能等多领域学科，代 表了当下机电一体化的最高成就。智能移动机器人必须具备的基本要素包括： ( 1 ) 感知：能够感知周围环境

5、和状态。类似于人类利用五官获取外界信息，智能机器 人利用自身的传感器获取周围的环境信息。 ( 2 ) 运动：能对外界做出反应和动作。 ( 3 ) 思考：能思考如何运动。这是智能移动机器人与其他机器人的主要区别之一。智 能移动机器人应该具有人类的“思考能力，即对传感器的信息具有分析和推理的能力， 并且能够决策和控制机器人的运动。 随着研究的不断深入和完善，智能移动机器人技术被越来越多地应用到人类活动的 各个领域中。在图1 1 中是智能机移动器人在相关领域的一些应用：图1 1 ( a ) 是 M C M U U v 水下机器人，图1 1 ( b ) 是美国N A S A 的空间机器人S o j o

6、 u r n e r ，图1 1 ( c ) 是采 矿机器人，图1 1 ( d ) 是美国军用机器人i R o b o tP a c k b o t 。 ( a ) M C M I I I s y s t e m( b ) S o j o u r n e r ( d ) i R o b o tP a c k b o t 图1 1 智能移动机器人应用实例 l 绪论硕士论文 地面智能移动机器人作为智能机器人中的一类，其研究的主要目的是运用人工智能 技术使机器人在复杂环境下具有自主决策和行动的能力【2 】。这一类机器人常被用来代替 人类从事一些恶劣、危险或者未知环境下的作业。因此，地面智能移动机器人

7、在军事、 国防、交通等多个领域都有广泛的应用。 ，、 在智能移动机器人研究的相关技术中，机器人自主导航是其中的核心课题之一。自 主导航是指机器人通过自身携带的传感器获取周围环境信息和当前的状态信息，能够在 有障碍物的环境中自主地向目标运动郾】。对智能移动机器人自主导航技术的研究，主要 包括3 个方面：第一，获取机器人当前所在的环境信息和自身的状态信息，例如位置、 航向信息等；第二，处理获取的信息，从而对环境进行建模和分析；第三，运用路径规 划算法使机器人能高效、安全地向目标运动。其中机器人通过获取的环境信息对所处的 环境进行建模、分析和理解尤为重要，它为机器人下一步的决策和行为提供了重要判断

8、依据。 智能移动机器人主要通过环境感知传感器获取外部环境信息。有统计表明，人类接 收到的周围的环境信息，其中有8 0 9 6 来自于视觉f 4 】。通过可见光摄像机采集到的图像数 据所包含的信息非常丰富。因此，在移动机器人自主导航系统中，可见光摄像机成为采 集环境信息的主要传感器之一。但用可见光摄像机作为传感器也存在着许多局限性，如： 受到天气、光照的影响比较大，要处理的数据量大等。单线激光测距雷达是智能移动机 器人系统上另一个较常见的传感器。随着测距技术的提高，单线激光测距雷达被越来越 多地用于道路环境检测中。单线激光雷达具有速度快、不受天气环境影响等优点，其缺 点是单帧扫描数据量小、信息少

9、、对某些存在镜面反射表面的物体很难检测到p J 。 单独采用某一种传感器获取环境信息，都存在着一定的局限性。为了在复杂环境下 准确、快速地获取环境信息，可以采用多种传感器收集信息。运用数据融合的方法将不 同传感器采集的数据信息进行融合，可以提高信息采集的准确度。基于摄像机和单线激 光雷达传感器的信息融合，既能通过摄像机获取周围环境的二维图像信息，又能通过激 光雷达获得目标的距离信息，两种信息的融合有效地提高了机器人对环境的认知水平。 因此，基于摄像机和激光雷达的信息融合成为目前多传感器信息融合的热门研究方向。 1 2 国内外研究现状 1 2 1 移动机器人的发展和现状 移动机器人的研究可以追溯

10、至上世纪6 0 年代【6 】。斯坦福大学的C h a r l e sR o s e n 和N i l s N i l s s e n 等人在1 9 6 6 和1 9 7 2 年相继研发了自主移动机器人S h a k e y 。到了七、八十年代， 由于计算机和传感器技术的进步，移动机器人的研究有了快速发展。特别指出的是在美 国国防的支持下，斯坦福、麻省理工、卡内梅基隆等大学对A L V 的研究。这个时代的 2 硕士论文基于信息融合的道路和障碍物检测方法研究 机器人已经初具智能机器人的系统模块，在机器人系统上装有摄像机、雷达、声纳等传 感器，可以实现机器人的自主导航。另外，日本、德国等欧洲国家与此

11、同时也开始相继 投入到移动机器人的研究中。9 0 年代后期，移动机器人向智能化、实用化方向发展，比 较著名的系统有美国的U G V 系统，德国国防军大学的高速公路无人驾驶车V a M o R s 订，8 3 ， 日本本田的A S I M O ，索尼的S D R - 3 X 娱乐机器人等【7 1 。 美国军方对U G V 系统的研究经历了三个研究阶段【1 4 】：第一阶段D e m oI ，主要是 研究在野外环境下机器人的自主导航；第二阶段D e m o I I ，进行了多个机器人合作完成 目标检测和地图共享，并且让机器人在最小人工干预下完成复杂任务的试验；第三阶段 D e m o m ，目标是

12、提高机器人在野外环境中的机动性和自主性，同时增加机器人的软硬 件模块的可靠性、易用性和兼容性。D e m o m 在野外环境中，白天正常的行驶速度可以 达到3 2 k m h ，在天气情况较差或晚上的速度为1 6 k m h 1 4 1 ，在行驶过程中根据周围的环 境条件自主调整速度同时实现了自主避障。 2 0 0 4 年，由美国国防部主办的G r a n dC h a l l e n g e 无人驾驶挑战赛将陆地自主车技术 的研究推向了高潮【7 - 9 。到2 0 0 5 年的第二届的G r a n dC h a l l e n g e ，斯坦福大学的S t a n l e y 、 卡内基梅

13、隆大学的S a n d s t o r m 和H i g h l a n d e r 自主车脱颖而出，在规定的时间内出色完成 1 5 0 英里的沙漠越野赛程。在比赛过程中自主车完全由车载传感器和导航引导行驶，没 有任何人工操作。S t a n l e y 、S a n d s t o r m 和H i g h l a n d e r 等代表了当今世界无人驾驶自主车 的最高研究水平。 随着人工智能、微电子等技术的日趋成熟，移动机器人在军事作战中的作用将会越 来越大。有关专家指出，2 0 1 0 年之后，近百种不同类型的智能移动机器人会被用到军事 行动中。 在国内虽然关于移动机器人的研究起步晚，但

14、是进展却是很快的。对于室外移动机 器人的研究，我国正逐渐缩小与国际水平的差距。目前我国开展移动机器人的研究工作 主要集中在清华大学、中科院、哈尔滨工业大学、南京理工大学、上海交通大学等高等 院校和科研机构【2 】。 1 2 2 多传感器信息融合技术研究进展 多传感器的数据融合，比较直观的概念是指将不同传感器和知识源采集的数据进行 融合【4 a 0 。如图1 2 所示传感器信息融合示意图，一方面融合造成的冗余可以增加信息 的可靠性；另一方面，互补信息可以扩展单一传感器造成的局限性【1 1 , 1 2 。 3 l 绪论硕士论文 冗余信息 互补信息 图1 2 多传感器融合示意图 多传感器信息融合包括

15、3 个层次，分别是：像素层、特征层和决策层融合【l l 】： 数据源 数据源t B I I B I 数据源 特征提取特征提取 特征提取l I 融合 识别 ( a ) 像素层融合( b ) 特征层融合 数据源 数据源1 数据源 - 特征提取特征提取特征提取 识别识别识别 融合 ( c ) 决策层融合 图1 3 三种层次的数据融合 如图1 3 ( a ) ，表示的是像素层数据融合，要求所有传感器观测的是一个物体，将每 个传感器的数据先融合再进行特征提取和分析。这种融合方法所包含的信息量最丰富， 准确度最高，但需要的带宽大【1 2 1 。图1 3 ( b ) 表示特征层数据融合，先将每个传感器的数

16、据提取特征，再将特征进行融合。尽管这种融合方法使得信息有所丢失，造成准确度下 降，但需要的带宽相对减小。决策层数据融合1 3 ( c ) 所示，对每个传感器识别的结果进 行融合，这种方法需要的带宽最小。 4 硕士论文基于信息融合的道路和障碍物检测方法研究 在多传感器信息融合过程中，常用到的经典方法有：贝叶斯估计法、卡尔曼滤波法， 证据推理法等。目前越来越多的智能计算法也被用到融合技术中，如神经网络、支持向 量机、模糊集理论等。 近年来随着数据融合技术的发展和日趋成熟，多传感器信息融合被广泛地应用于民 用、军事等领域。在民用领域，多传感器信息融合主要用于智能交通系统、医疗系统、 城市安全系统中。

17、智能交通系统采用图像、雷达等传感器技术，实现道路检测和无人驾 驶；在医疗诊断中，用到较多的是X 射线、超声波、核磁共振等成像技术。在军事领 域，多传感器信息融合技术主要用于军事目标检测与跟踪，包括水下、空中、路对空等 作战系统中。在军事应用中的典型传感器有雷达、远红外、声纳等。 1 2 3 道路和障碍物检测技术研究进展 道路和障碍物检测是移动机器人自主导航中首先要解决的问题。道路检测主要是提 取机器人前方可通行的道路区域。道路检测的目的是使得后续的障碍物检测范围缩小 1 1 3 , 1 4 ，也为机器人实现路径规划提供依据。在现实世界中，道路环境总是受到各种外界 因素的影响，是复杂多变的。因此

18、，道路检测一直是移动机器人自主导航中一个很具研 究价值的问题。另外，移动机器人在行驶过程中随时可能遇到障碍物，及时、准确地检 测到机器人行驶过程中遇到的障碍物是自主导航中又一个重要问题。 由于移动机器人上通常装有多种不同的传感器，因此对于道路检测的研究多是针对 不同传感器的进行的。表1 1 中是国内外对基于视觉的道路检测系统的一些研究成果： 表1 1 基于视觉的道路检测系统 系统名称国家环境主要方法 N A I A B 5R A L P H 美国结构化道路利用车道线、道路边界等特征进行检测【1 5 l 4 个C C D 组成双目视觉系统，基于回旋曲线 V 船 德国结构化道路 模型检测道路线【1

19、 6 l A R G o意大单目视觉检测车道线，双目视觉检测障碍物； 结构化道路 G O L D利用形态学方法提取道路特础1 7 】 P R V 韩国结构化道路使用神经网络检测，结果与模板匹配 W 帅V 中国结构化道路边缘检测，阈值分割，用A T N 定位车道线 用上一帧结果获取样本，用贝叶斯分类器识 S C A R F 美国非结构化道路 别道路区域 A L V I N N 美国非结构化道路神经网络进行道路跟踪 基于期望的多焦点视觉扫视，对道路分段分 E M S德国非机构化道路 割，道路中线用水平回旋曲线表示【1 9 1 T H M 哏V 中国非结构化道路用相交与于消失点的直线对道路建树1 8

20、 1 l 绪论硕士论文 随着信息融合技术的日趋成熟，基于多传感器信息融合的道路检测技也相继出现。 因此，近年来很多移动机器人导航系统上通常装配多种传感器进行道路和障碍物的检 测。表1 2 是近十几年一些比较著名的多传感器信息融合在实际应用中的例子： 表1 2 多传感器信息融合实例 移动机器人年代 国家传感器运行环境 H I L A R E 1 9 7 9法国视觉、声音、激光测距未知人造环境 N A v I A B - l1 9 8 6 美国灰度摄像机、声纳、激光雷达 结构化道路 N A v I A B - 51 9 9 6美国彩色摄像机、声纳、激光雷达结构化道路 A R G O1 9 9 8

21、意大利2 个摄像机、里程计结构化道路 A V F M2 0 0 1瑞典彩色摄像机、红外、超声波未知自然环境 S a n d s t o r m 2 0 0 4 美国彩色摄像机、激光雷达室外自然环境 5 个激光雷达，1 个长距离雷 S t a n l e y 2 0 0 5美国沙漠、山路 达，1 个单目视觉系统 多个单线雷达，6 4 线激光雷 B O S $2 0 0 7 美国城市交通 达，视觉系统 1 3 论文主要内容及章节安排 1 3 1 论文主要内容 移动机器人在未知环境下，需要感知前方道路的环境信息，确保机器人能够安全、 无碰撞的向目标自主运动。移动机器人导航系统中常用的两种传感器是可见

22、光摄像机和 激光测距雷达。将用摄像机获取的道路图像和用激光雷达获取的距离信息融合，实现互 补，可以有效地提高道路和障碍物检测的可靠性。本文研究的主要内容是基于图像和激 光雷达信息融合的道路和障碍物的检测与分析。本文的主要内容包括： ( 1 ) 介绍了移动机器人实验平台，重点介绍了机器人系统中的环境感知模块以及环境 感知模块中的主要传感器。 ( 2 ) 研究了道路检测的相关算法。首先对基于图像的道路检测算法作了简要介绍，然 后本文研究了一种用机器学习方法对道路图像进行分割的算法。算法根据道路的多种特 征选取道路区域和非道路区域样本，使用支持向量机S V M 作为分类器分割图像。为了 提高对环境的

23、适应能力，在检测中根据上一帧分类的结果实时更新训练样本和重新训练 S V M 。由于用S V M 分类器对道路图像分类，需要在初始化中人为地选择训练S V M 的 样本，本文提出将激光雷达数据与图像融合来改进算法：首先用模糊支持向量机F S V M 代替S V M ，增加检测中样本的可信度以及减少噪声对分类的干扰。然后用激光雷达提 硕士论文基于信息融合的道路和障碍物检测方法研究 取路面，并将雷达结果映射到图像上，再根据映射的结果自动获取图像中道路和非道路 区域样本。在检测过程中需要进行样本更新，是根据上一帧的检测结果结合当前雷达数 据分析结果，从而选择正确的样本，进一步改善分类的效果。 ( 3

24、 ) 研究了障碍物检测相关方法。首先分别介绍了基于图像和激光雷达的障碍物检 测方法，发现单独使用图像或者激光雷达方法经常出现对障碍物漏检的问题，然后提出 将图像和激光雷达检测的结果相互验证，从而有效降低了漏检率。 1 3 2 论文结构安排 论文的各个章节安排如下： 第一章绪论，首先介绍了本论文研究课题的背景和研究意义。然后介绍了机器人相 关技术在国内外发展现状，并简要介绍了论文的主要工作内容和论文的结构安排。 第二章介绍本论文中使用的机器人系统，包括系统软硬件平台的介绍，以及系统的 结构设计介绍。接着重点介绍环境感知中主要使用的两种传感器：摄像机和单线激光雷 达。分别介绍摄像机和激光雷达的主要

25、参数，并且简要介绍摄像机标定、摄像机和单线 激光雷达联合标定的原理。 第三章介绍基于图像的道路检测算法。首先简单介绍道路检测中常用的图像处理的 算法，接着分析图像中的道路特征。然后研究了一种道路检测算法，根据多种道路特征 采用机器学习的方法分割道路图像。 第四章介绍基于单线激光雷达的道路和障碍物检测算法，然后介绍将激光雷达数据 和图像数据融合，对第三章中提到的道路检测算法加以改进，并且研究了用图像和激光 雷达进行复杂背景下的障碍物提取算法。 第五章为总结与展望，总结了本论文所作的工作，并指出了其中的不足，提出了需 要进一步分析和解决的问题。 7 2 移动机器人系统平台介绍硕士论文 2 移动机器

26、人系统平台介绍 移动机器人是由多个子系统综合而成的复杂系统，具有环境感知、行为规划和决策 的能力 7 1 。图2 1 表示的是移动机器人最基本的体系结构，包括三大要素：感知、规划 和执行。本章将主要介绍移动机器人的环境感知系统模块，并且针对本文中机器人用到 的传感器做详细介绍。 2 1 移动机器人系统介绍 图2 1 移动机器人基本模块 图2 2 移动机器人 如图2 2 所示，是本文中使用的移动机器人系统。系统硬件主要包括：车体、电源、 车轮、车载计算机、网络、内部和外部传感器等。移动机器人的底盘是双轮履带驱动； 主机是P C I 0 4 嵌入式系统，通过无线网卡，可以将外部计算机远程连接到机器

27、人主机系 统；移动机器人上装备的传感器有激光雷达、摄像机、G P S 天线和电子罗盘等。 如图2 3 所示，移动机器人的系统结构包括： 主控模块：主控模块是核心，它负责收集其它模块的信息并且对收集到的信息 加以分析，将结果输出给执行模块。 8 硕士论文基于信息融合的道路和障碍物检测方法研究 环境感知模块：环境感知模块接收机器人的传感器获取的环境信息，并将信息 传递给主控模块。 。 通信模块：通信模块通过无线网络实现机器人与外界的通信。 规划模块：规划模块主要指机器人通过主控模块传递的信息创建地图并且规划 出最优路径。 执行模块：执行模块主要是根据主控模块的结果指挥机器人下一步的行为。 图2 3

28、 移动机器人系统设计 机器人的软件设计以V i s u a lC + + 作为开发工具，程序的执行界面如图2 4 所示： 僵砻旺 黧l 竖l 图2 4 主程序执行界面 9 i I l 一。一| | i | F = 一 i | l i l i l 一 l i 2 移动机器人系统平台介绍硕士论文 2 2 环境感知系统和传感器 移动机器人环境感知系统中常用的传感器包括：摄像机、激光雷达、超声波、毫米 波雷达等【6 】。按照工作原理划分，传感器分为两类： 主动式传感器：这类传感器的测量信号是由传感器自己发出的，几乎不受外界 因素的影响，通常获取的是场景深度信息。常见的有：激光雷达、声纳等。本文中使用

29、的是单线激光测距雷达，这种传感器具有的特点是：不受外界光照影响，测距准确，单 帧数据处理量小等【1 0 1 。 被动式传感器：摄像机属于被动式传感器。摄像机本身是不能发射信号的，如 可见光摄像机主要是收集外界反射的太阳光得到周围环境信息【4 】，因此受外界环境变化 的影响比较大。本文中使用可见光摄像机采集环境的图像，这种传感器的特点是：信息 量丰富、体积小、功耗低等【5 J 对传感器来说，最主要的两个品质是可靠性和实时性。由于每种传感器都各有利弊， “取长补短“ 成为多传感器信息融合的最终目标，它通过信息冗余、互补、适时【6 】等方 面，提高信息的准确度和可靠度。在本文实验中，用到摄像机采集的

30、图像和单线激光雷 达数据作融合，进行道路和障碍物的检测。 2 2 1 摄像机采集和处理信息 用摄像机采集和处理信息，主要是通过C C D 摄像头和图像采集卡将采集到的视频 图像传送到计算机主控模块。主控模块通过一系列数字图像处理算法分析图像，并将结 果输出给机器人其它模块。在摄像机使用之前，需要进行标定。通过标定可以获取摄像 机的内参和外参。 ( 1 ) 摄像机内参 摄像机将三维世界中的点映射N - - 维图像中，可以用摄像机模型用来描述这种映射 关系，理想的摄像机模型是针孔模型，如图2 5 所示： 1 0 图2 5 针孔摄像机模型 硕士论文 基于信息融合的道路和障碍物检测方法研究 图2 5

31、中，M 是三维世界中的一点，m 是M 在图像上的投影，C 是光心，通过C 且与图像平面垂直的是主轴，主轴与图像平面的交点是P ，P 与C 之间的距离称为焦距， 用f 表示。设M 点的坐标表示为M ( x ，Y ，Z ) ，m 点坐标表示为m ( u ，v ) 。投影过程可 以表示为： “：鱼1 ，：立 ( 2 1 )“= 二_ 1 ，= 二U J 用齐次坐标表示为： 。 泪 ( 2 2 ) 式( 2 2 ) 中的坐标关系受到图像平面的大小和摄像机镜头位置的影响。设图像中W 和h 分别是图像像素的宽和高，见和岛像素实际宽和高，镜头的偏歪角度为Q ，则式 ( 2 2 ) 中的转换关系为： t a

32、n 口上 wh = 10 0 厂 p 。 ，l 01 ( 2 - 3 ) 另六= 吾，= 丢切n a 妣 I = K 羽K = 孳乏； Q 川 式( 2 4 ) 中的三角矩阵K 称为标定矩阵，参数正，s ，见和乃是需要确定的摄 摄像机外参是一组旋转和平移矩阵，分别用吱和t 表示，式( 2 5 ) 表示了三维世界 中点M 的运动，用式( 2 6 ) 表示摄像机的运动，它是三维世界中点的逆运动【1 1 】： M = 钏M 包5 ， 0厂0 ，O 0 L = 1J ” V 1 2 移动机器人系统平台介绍 硕士论文 肌瞄 一只r r l M 1 j ( 2 6 ) 2 2 2 激光雷达采集和处理信息

33、本文中的移动机器人上共安装了3 个激光雷达，分别是两个单线激光测距雷达 U T M 一3 0 L X ，和一个面阵激光雷达P M D ( p h o t o n i cm i x e rd e v i c e ) 。其中一个U T M - 3 0 L X 雷达是水平的，主要用于障碍物检测；另一个U T M - 3 0 L X 雷达是倾斜的，以一定的倾 斜角度扫描路面，主要用于道路路面提取。图2 6 为单线激光雷达和面阵激光达： ( a ) U T M - 3 0 L X 激光雷达 C o ) P M D 面阵激光雷达 图2 6 激光雷达 本文中的实验采用的是U T M - 3 0 L X 激光

34、雷达，采用的分辨率是O 2 5 度，扫描的角 度是2 7 0 度，每次扫描获得前方1 0 8 1 个点数据，扫描周期为2 5 m s 。每次扫描返回的信 息是包括距离和角度数据点( p ，0 ) ，图2 7 为U T M - 3 0 L X 扫描结果图： 图2 7 激光扫描结果图 如图2 8 所示，是激光测距雷达的工作原理：通过计算激光脉冲发射和接收的时间 差来测定雷达与目标之间的距离，这种方法被称为飞行时间测距( t i I mo f f l i g h t ) t g l 。 1 2 硕士论文 基于信息融合的道路和障碍物检测方法研究 图2 8 激光测距原理图 激光脉冲通过发射器发出后，被分

35、为两路【9 】：一路直接进入接收器，一路由反射镜 面到达目标表面，经过目标表面反射的激光由反射镜面再次进入接收器。接收器相继接 收的到两个脉冲之间的时间间隔记为“，则目标与雷达之间的距离可以由式( 2 7 ) 计算 得N - d ：c 一a t ( 2 7 ) 其中C 和d 分别为光速、目标与雷达之间的距离。 2 2 3 多传感器联合标定 多传感器的联合标定，也称为多传感器数据的配准。联合标定是指将来自于不同传 感器的数据统二到同一个坐标系下【2 1 1 。每个传感器都有自己的坐标系，不同传感器采集 到的数据都是基于各自坐标系的。因此需要找到各个传感器坐标系相对于统一坐标系的 转换关系，通过一

36、系列的旋转和平移操作，将各传感器坐标系下的数据转换到统一坐标 系下【1 2 1 ，从而完成数据配准。 图2 9 激光雷达和摄像机标定示意图 2 移动机器人系统平台介绍 硕士论文 在基于图像和激光雷达数据融合的系统中，需要对摄像机和激光雷达进行联合标 定。如图2 9 所示，是摄像机和激光雷达联合标定示意图。设空间一点P ，见= 【艺咒乙】1 表示P 在摄像机坐标系下的坐标；易= 【而乃刁r 表示p 在雷达坐标系下的坐标为。见和所 的坐标存在如下的转换关系： 一。P c = R ，A + t ， ( 2 8 ) 其中R ，是3 * 3 的正交旋转矩阵，t ，是3 “ 1 的平移向量。式( 2 8

37、) 表示了联合标定的基 本原理，联合标定的目的就是为了找到一组合适的R ，和t ，。 目前对于摄像机的标定技术的研究已经到了比较成熟的阶段，如：基于径向排列约 束的两步法【2 0 】，基于三维靶标的标定1 2 1 1 ，张正友提出的平面模板标定等幽。对于单线激 光雷达和摄像机的联合标定也有一定研究，如：利用直角三角形平板作靶标、用线条作 特征匹配的标定【冽等。 2 3 本章小结 本章主要介绍了移动机器人系统的软硬件平台，分析了系统的结构设计。对机器人 的环境感知模块重点分析，首先详细介绍了机器人上常用两种传感器摄像机和激光雷达 的基本原理，接着阐述了摄像机标定原理，以及摄像机和激光雷达联合标定

38、原理。 硕士论文 基于信息融合的道路和障碍物检测方法研究 3 基于图像的道路检测 道路检测是移动机器人自主导航系统中一个关键的步骤，道路检测可以为机器人导 航、障碍物检测、机器人避障等提供重要线索和依据。在现实世界中，道路一般可以分 为结构化道路、半结构化道路和非结构化道路【2 4 】。结构化道路是指如高速公路等具有一 定的结构并且有清晰的道路标识( 如车道线、道路边线等) 的道路；非结构化道路是指如 乡村道路、越野道路等没有清晰的道路边界、道路形状不规则、周围环境较复杂的道路； 半结构化道路介于结构化和非结构化道路之间，如城市道路、校园道路等。结构化道路 检测的方法大多是在道路图像上提取人工

39、标识。对半结构化和非结构化的道路检测则更 具挑战性，因为道路上没有明显的人工标识，而且道路与非道路区域的分界可能比较模 糊，道路区域受光照的影响很大，路面上有很多阴影等。本文主要研究的是基于校园道 路环境的半结构化的道路检测算法。 3 1 道路检测算法研究 近年来，国内外很多学者提出了基于图像的道路检测算法 2 4 - 3 2 1 。目前道路检测使用 的方法大体上可以分为3 类【3 2 】：基于道路特征的检测f 2 纯研；基于道路模型的检$ U t 2 9 ；基 于区域的检测【3 2 1 。基于道路特征的检测是根据道路的颜色、边缘、纹理等信息提取道 路的特征作为检测的依据，它的准确度最高，但是

40、要求道路具有明显的特征标识，并且 这种方法对噪声较为敏感；基于道路模型的检测相对而言健壮性较好，这种方法是建立 在假设的道路模型基础上的，将道路模板与图像进行匹配，对道路模型的假设有一定的 要求；基于区域的检测，是通过机器学习的方法将道路图像分为道路区域和非道路区域， 并且根据环境的变化适时的改变分类的参数，这是一种较为有效的道路检测方法，但是 需要提前进行样本训练。对于形状不规则、边缘模糊、周围环境复杂的非结构化道路， 大多采用特征和区域的检测方法。本文主要研究了基于多种道路特征信息融合的道路区 域检测算法。 3 1 1 道路特征分析 道路区域检测可以看作是对道路图像分割问题。通常根据道路区

41、域的特征可以将图 像分割为道路区域和非道路区域。图像中常用到的道路特征主要包括：道路颜色，道路 纹理，以及道路边缘。 ( 1 ) 道路颜色特征 目前很多道路检测算法是基于道路颜色信息的。通常情况下，道路区域的颜色是比 较明显的，道路的颜色偏向蓝色，且亮度( 没有水迹和阴影) 要大于非道路区域，而非道 3 基于图像的道路检测硕士论文 路区域的颜色则偏向红色和绿色，如植物、泥土等【l 引。 对图像颜色信息的研究是在某个颜色空间中进行的。常见的颜色模型有R G B 、H S V 、 H S I 、等。目前彩色图像中使用最多的是R G B 颜色模型。R G B 颜色模型与人类感 知颜色的规律有很大区别

42、，其中的3 个分量R 、G 和B 是高度相关的，而且不能根据在 R G B 颜色空间中的距离来区别两种颜色【3 2 】。R G B 这一类的颜色模型主要是用在硬件上。 与R G B 颜色模型不同，H S I 颜色模型模拟了人类视觉感官，因此通常用H S I 空间表示 人类视觉色彩。H S I 用色调( H ) 、色饱和度( S ) 和亮度( I ) 描述色彩。H 是用来描述纯色的 属性，如：纯红色、黄色等；S 是用来描述纯色被白光稀释的程度，白光越多饱和度 越小，反之饱和度越大；I 是用来描述彩色感觉的参数，体现了一种无色的强度概念， 是一种主观的表示t 3 3 , 3 4 1 。H 和S 合

43、起来称为色度，用来表示色彩类别和深浅。相对于颜 色的深浅，人类视觉对亮度要更敏感。 如图3 1 所示，用一个圆锥空间表示H S I 颜色模型。图中的黑点是一个任意彩色点， 色调用与横轴的夹角表示，饱和度用向量长度表示，亮度用平面在垂直强度轴的位置。 图3 1H S I 颜色空间 H S I 颜色模型的一个很大的优点在于：它将颜色中受光照影响部分，即亮度与色度 分开，因此独立出来的色度即H 和S 分量受光照条件变化的影响很小。在彩色图像处理 中，由于H S I 中三个分量是相互独立的，通常将R G B 图像转换为H S I 图像，对三个通 道分别进行处理，从而简化分析处理的工作量。H S I 颜

44、色模型与R G B 颜色模型之间存 在对应的关系，其转换表达式如下式3 1 所示： 1 6 硕士论文基于信息融合的道路和障碍物检测方法研究 f o B s G 日2 t ；6 0 “ - 9 8 G s _ l _ 志 幽( 足G 召) R + G + B L 、。 。，J ，= 三( R + G + 曰) ( 1 ) ( 2 ) ( 3 ) 一 ( 句 ( 3 1 ) R G B 的值归一化后，在【0 ，l 】的区间内。角度0 由公式( 4 ) 给出；H 由公式( 1 ) 给出， 除以3 6 0 。可以归一到【O ，1 】区间内；S 和1 分别由公式( 2 ) ( 3 ) 给出，范围在 O ，1 】内。图 3 2 ( a ) ( b ) ( c ) ( d ) 所示分别为原R G B 图像，转换后的色度、饱和度和亮度图