基于深度学习和RGB-D相机的车位检测与三维场景重建研究
随着人工智能技术的迭代更新，自动泊车技术正在向着便捷、安全、智能的方向发展。车位检测作为自动泊车至关重要的组成部分，对解决目前驾驶员经常遇到的寻车位难或者窄小车位停车难的问题具有不可小觑的意义，更能够加速无人代客泊车的商业化落地应用。目前，基于视觉传感器的车位检测方案不仅能够获取物体大量的颜色信息，还能获取相关的形状和纹理等信息，但是当下传统的视觉车位检测算法易受光照、环境变化的影响，并且在车位识别与车位状态判断上仍有不足，导致自动泊车功能难以满足用户的需求，更达不到代客泊车的商业化落地标准。本文以此为背景，针对目前视觉车位检测算法的准确度和鲁棒性的局限，以及车位场景三维信息感知的限制，分别提出基于深度学习的车位检测算法和基于RGB-D相机的车位场景三维重建算法。 本文的主要研究内容如下： (1)将深度学习与车位检测相结合，提出基于改进MaskR-CNN的车位检测算法。通过车位检测算法的R-CNN分支实现车位目标框的定位和车位状态、车位类型的分类，并且引入关键点分支实现车位线内边缘8个关键点预测，通过全卷积网络检测按顺序检测每个关键点，实现单个模型对车位多元信息检测的效果；针对车位线因光照、环境变化导致准确率降低的问题，在ResNet50网络的残差块卷积网络中加入CBAM注意力机制，使车位特征提取网络依次推断出车位特征图在空间维度和通道维度的注意力权重，然后将注意力权重与原输入的特征图相乘以对车位特征进行调整，增强模型对车位区域的关注度，有效提升车位线的检测精度和速度。 (2)将深度信息与车位场景三维重建相结合，提出基于RGB-D相机的车位场景三维重建算法。为增强自动泊车中的车位场景三维信息感知程度，利用RGB-D深度相机获取车位场景色彩信息和空间信息。采用ORB算法对车位单帧图像进行特征点提取，采用BRIEF算法计算车位特征点的描述子，保证车位特征尺度与旋转的不变性，同时也具有较强的抗噪性；再利用ICP匹配算法找到待匹配的车位点云数据与参考点之间的旋转、平移关系，通过多次迭代使得两个数据集的点云达到最佳匹配。实验结果表明，该算法能够较好地完成车位场景重建，并输出三维场景位置和颜色信息，同时可将车位场景三维数据可视化，以更加直观的形式向用户展示车位场景，更好地为自动泊车后续的路径规划和车位高精地图提供高质量的三维数据支撑。 (3)针对上述两个算法建立数据集，运用张正友标定法进行相机标定，再利用畸变系数对车位图片进行畸变校正。针对车位检测算法，首先通过开源软件LabelMe对车位图像中的车位线关键点、车位类型、车位状态进行人工标注；再搭建深度学习环境，设置车位检测模型参数，进行端到端的迭代训练；最后，在多场景下进行车位检测实验，并且建立像素误差评估函数，将关键点误差分析压缩到像素级别。实验结果表明，车位检测算法对车位类型、状态的检测效果得到提升，同时具有一定的鲁棒性和稳定性。
深度学习;RGB-D相机;车位检测;注意力机制;三维场景重建
广东工业大学
硕士
机械工程
熊锐;吴坚
2021
中文
TP391.41
2021-10-15（万方平台首次上网日期，不代表论文的发表时间）