面向无人驾驶汽车的视觉道路环境感知算法研究

This project is planned for the specific application of road environment perception of UGV. Starting from the UGV's point of view, this project researches vision-based road detection algorithms and road obstructions detection algorithms by combining computer vision with driving parameters of UGV. To increase processing speed, a method is proposed to determine the region of interest in a image according to UGV's driving parameters. In order to increase road detection precision, a road detection algorithm, which integrates road surface features, vanishing point and multi-frames with UGV's driving parameters,is put forward. In order to detect road obstructions quickly, a road obstructions detection algorithm, which integrates driving parameters, road detection results and polar coordinate transform, is studied. To design parallel detection algorithms, a hierarchical and adaptive partition of parallel regions granularity is proposed. And aiming at different characteristics of road detection and obstructions detection, rectangle regions and fan regions are adopted respectively. In the project plan, a series of testing and verification programs for the specific platform and those algorithms are designed to improve the real-time, stability and validity of those algorithms through three levels verifyication and validation-gereral PC and parallel computing, embedded distributed computing and UGV. And those vision-based road environment perception algorithms on specific UGV platform put forward in the project will actively promote the practical application of UGVs

本项目拟针对无人驾驶汽车道路环境感知的特定应用，从无人驾驶汽车的角度，研究结合无人驾驶汽车行车参数和计算机视觉的道路检测与道路行驶环境中障碍物的检测。提出一种结合行车参数确定视觉处理感兴区域的方法，以提高算法处理速度；提出一种结合行车参数、视觉消失点、道路表面特征及多帧视频图像的道路检测算法，以提高道路检测的精度；提出一种结合行车参数、道路检测结果和极坐标变换的障碍物检测算法，以实现障碍物的快速检测；提出一种结合行车参数的分级并行区域粒度自适应划分方法，实现算法的并行化，针对道路检测和障碍物检测的特点，分别采用矩形区域和扇形区域；设计一套完整的平台与算法的试验与验证方案，经过三级平台验证：通用PC及并行分布式平台、嵌入式计算及其并行分布式平台、无人驾驶汽车平台，实现算法的实时性、稳定性和有效性。针对无人驾驶汽车具体平台的视觉道路环境感知算法，预期将促进推广无人驾驶汽车的实际应用。

项目针对无人驾驶汽车的道路环境视觉感知这一特定领域，开展研究了结合无人驾驶汽车行车参数和计算机视觉的道路环境感知算法。本项目围绕道路检测、道路场景模型、道路障碍物检测、算法的集成测试和优化开展具体研究，主要研究内容和成果有：针对感兴趣区域和视觉覆盖，给出了一种结合行车参数的确定视觉处理感兴趣区域的方法，给出了一种结合相机成像原理、相机参数以及车体尺寸的车载多目摄像机的定位和布局方案，提出了一种基于KAZE非线性尺度空间的多目融合算法；为了实现道路的准确检测，提出了一种基于D-S证据理论的道路检测算法，一种基于超像素及各向异性热扩散的道路检测算法，一种利用自然图像增强技术的车道检测和跟踪算法；采用3D场景构建和图像标记的方法建立道路场景模型，提出了一种从单目摄像头捕获的视频序列中估计场景流的算法，提出了一种多尺度级联的图像标记层次模型并用于交通场景的理解；关于障碍物的检测，引入深度学习（Deep Learning）的方法、模拟人脑处理信息过程及机理提出了一种结合显著性、稀疏性、局部性和深度的多目标检测算法，提出了一种显著性纹理结构描述算子并应用于行人检测，提出了一种融合轮廓特征与肤色特征的行人检测算法，提出了一种基于连续视频帧的融合BRIEF特征与Haar-like特征的车辆检测方法；针对算法的集成测试和优化，采集了近1T的实际道路行车环境的交通场景数据（视频和GPS信息）并进行了部分标定用作标准集和测试集，开发了一个可扩展交通环境测试集的软件——交通环境测试集增强平台，有助于构建各种可能的路面场景，开发了一个集成开发和测试软件平台——无人车视觉算法集成测试与验证平台，算法的优化和并行化主要利用GPU和FPGA实现。研究的成果部分用于高级驾驶员辅助系统 (ADAS，即Advanced Driver Assistance Systems)，预期将促进推广无人驾驶汽车的实际应用。