Page 142 - 2024年第55卷第11期

参数，故至少需要 ４个不共线的特征点对才能求解 Ｈ。为提高所估计单应性矩阵 Ｈ的准确性，本研究
采用最小二乘搭配最小中值估计法，具体过程如下：
１）首先定义标定出的单应性矩阵 Ｈ相对于每个目标点的标定误差为：
２
( ｈ ｘ＋ ｈ ｙ＋ ｈ １３ ) ( ｈ ｘ＋ ｈ ｙ＋ ｈ ２３ ) ２
１２ ｒｉ
１１ ｒｉ
２１ ｒｉ
２２ ｒｉ
ｅ ＝ ｕ－ ｈ ｘ＋ ｈ ｙ＋ ｈ ３３ ｉ ｈ ｘ＋ ｈ ｙ＋ ｈ ３３ （７）
＋ ｖ －
ｉ
ｉ
３２ ｒｉ
３２ ｒｉ
３１ ｒｉ
３１ ｒｉ
２）在包含 Ｎ个特征点对的集合中随机抽取 ４对特征点组成计算集。
３）对计算集使用最小二乘法计算得到一个单应性矩阵Ｈ。
ｊ
４）对Ｈ求出 Ｎ个特征点对的标定误差ｅ，并求出ｅ的中值ｅ 。
ｊ ｉ ｉ ｍｅｄｉ
５）重复上述过程，直至找到使ｅ 最小的Ｈ作为最终的单应性矩阵。
ｍｅｄｉ ｊ
在空间标定之后即可将毫米波雷达扫描点投影至像素坐标系中，然后根据投影点与相机目标检测
框的相对位置对两传感器的检测结果进行匹配。假设某一相机目标检测框 ４个角点的像素坐标分别为
（ｕ，ｖ）、（ｕ，ｖ）、（ｕ，ｖ）、（ｕ，ｖ），某一雷达扫描点投影至像素坐标系中的坐标为（ｕ，ｖ），
ｒ
ｒ
２
２
１
２
１
２
１
１
若ｕ＜ｕ＜ｕ且ｖ＜ｖ＜ｖ，则认为两传感器感知的是同一障碍物，则对该障碍物进行毫米波雷达和相机感
１ ｒ ２ １ ｒ ２
知信息的融合，同时输出类别、距离和速度信息。若目标检测框内未匹配到雷达点或雷达投影点周围
未匹配到目标检测框，则认为两传感器检测到的为不同障碍物，不进行融合处理，单独输出各自的检
测结果。
在时间联合标定方面，本研究采用的相机型号为 ＨＩＫＶＩＳＩＯＮ － Ｅ１２ａ，其采样帧率为 ３０帧，即采样周
期为 ３３．３ｍｓ；采用的毫米波雷达的型号为 ＡＲＳ４０８ － ２１ＸＸ，其采样帧率为 １７帧，即采样周期为 ５８．５ｍｓ，
若连续采样则无法实现相同时刻数据的对齐。本研究对相机和毫米波雷达均开始工作后的每 ０．２５ｓ的
最后一帧数据进行采样，对采样到的数据进行融合处理，实现在时间上的同步。
综上，毫米波雷达与相机的具体感知融合方式如图 ３所示：单独利用 ＤＣ － ＦａｓｔｅｒＲ － ＣＮＮ对视觉图
像上障碍物类别和检测框在像素坐标系中的位置进行检测；单独将毫米波雷达采集到的数据进行噪声
过滤、ＤＢＳＣＡＮ聚类等处理，获得障碍物的距离、速度等信息；将上述多源信息在空间上映射到相同
的坐标系，并在时间上对齐，得到最终融合检测结果。该融合方式同时利用了雷达和相机的检测结
果，能够获得更加全面的前方障碍物信息，有助于无人碾压机的决策。
３ 案例研究
以中国西南大型水利工程 ＴＢ碾压混凝土重力坝为研究对象，将毫米波雷达感知到的障碍物距离、
速度信息与相机感知到的障碍物类别信息进行融合，能够为无人碾压机提供更加全面、精准的障碍物
信息，进而实现无人碾压机的精准避障。
３．１ 基于 ＤＣ － ＦａｓｔｅｒＲ － ＣＮＮ的障碍物类型识别 本研究选用摄像头型号为海康威视（ＨＩＫＶＩＳＩＯＮ） －
Ｅ１２ａ 作为视觉传感器，利用 ２．１节提出的 ＤＣ － ＦａｓｔｅｒＲ － ＣＮＮ对仓面内多类型障碍物进行检测。
首先准备训练检测网络所用数据集。利用摄像机拍摄 ＴＢ碾压混凝土重力坝施工现场多类型障碍
物照片 １０００张，其中包括自卸车、振捣台车、施工员、推土机、碾压机和小型汽车等 ６种类别，选用
其中 ８００张作为训练集并标注，其余 ２００张作为测试集用以验证模型性能。
然后对 ＤＣ － ＦａｓｔｅｒＲ － ＣＮＮ目标检测模型进行训练。将 ＤＣ － ＦａｓｔｅｒＲ － ＣＮＮ在计算机视觉领域目标
检测任务的基准数据集 ＰＡＳＣＡＬＶＯＣ２００７ ＋ ２０１２上进行预训练，而后利用施工现场数据集对预训练得
到的模型权重进行微调。本研究的硬件环境为两张 ＮｖｉｄｉａＴｉｔａｎＸ显卡，１６ × ２ＧＢ内存，ＣＰＵ为 Ｉｎｔｅｌ
ｘｅｏｎ（Ｒ）＠２．４ＧＨｚ，软件运行环境为 Ｐｙｔｏｒｃｈ１．８．１，Ｐｙｔｈｏｎ３．８（ｕｂｕｎｔｕ２０．０４）。将 ＤＣ － ＦａｓｔｅｒＲ － ＣＮＮ与
ＹＯＬＯ和 ＦａｓｔｅｒＲ － ＣＮＮ算法的训练收敛曲线进行对比，对比结果如图 ４所示。
由图 ４可见，相较于 ＦａｓｔｅｒＲ － ＣＮＮ和 ＹＯＬＯ，ＤＣ － ＦａｓｔｅｒＲ － ＣＮＮ在训练时的代价函数值最低，相
应的训练效果最好。三者检测各类障碍物时平均精度值 ｍＰＡ及平均测试时间的对比分析结果，如表 １
所示。

０
— １ ４ ８ —