程书慧，陈凌珊，杨军典

（1 上海工程技术大学 机械与汽车工程学院，上海 201620；2 德心智能科技（常州）有限公司，江苏 常州 213002）

0 引 言

随着无人驾驶领域的发展，单个传感器的感知能力已不能满足复杂的交通场景需要，多传感器融合逐渐成为汽车环境感知主要方式。目前，毫米波雷达与相机是常用的传感器，也是传感器融合的重要研究对象［1］。相机可获得目标的纹理颜色等信息，对目标分类有较高的识别能力，且对横向位置的检测有较高的精度。但相机性能易受工作环境与光照的影响，对深度信息的获取能力较差。毫米波雷达对目标纵向位置的检测有较高的精度，且由于电磁波的特性具有穿透性好、抗干扰能力强等全天候的工作能力。但毫米波雷达检测得到稀疏点云，分类能力较差。因此，在工作特性上毫米波雷达与相机完成优劣互补，进行多传感器融合可获取较为可靠的目标属性值［2－3］。

基于单一的毫米波雷达目标检测，张暄等［3］基于雷达回波信号的距离多普勒图像作为输入，进行图像处理完成雷达的目标检测。与传统的恒虚警目标检测算法作为对比，较大的减少了虚警的数量。魏涛等［4］提出一种基于机器学习的毫米波雷达车辆检测算法，对毫米波雷达目标级数据预处理，针对雷达检测点的各个属性构建决策树模型进行车辆有效目标的识别。基于毫米波雷达与视觉融合的目标检测，目前多数采用由毫米波雷达确定图像检测的感兴趣区域（ROI，Region of interest）的方案，从而加快图像检测速度与准确度。……