本文關鍵詞： 交通安全 視距檢測 單目視覺 車道線提取 試驗驗證　出處：《長安大學》2017年碩士論文　論文類型：學位論文

【摘要】：隨著我國公路交通的迅速發(fā)展,交通安全問題日益突出,大量研究表明,公路視距不足,駕駛人獲取道路危險信息滯后,是導致道路交通事故頻繁發(fā)生最為主要的原因之一。所以,保證駕駛人在道路交通運輸過程中獲得足夠的視距是保障道路交通安全的首要任務。因此,如何及時有效地檢測公路視距,改進公路安全設計,提醒駕駛人合理控制車速,避免道路交通事故發(fā)生,提升公路運營的安全保障能力將是改善道路交通安全問題的重要途徑。為了獲得良好的公路視距檢測結果,本文對圖像處理及單目視覺測距進行了相關研究,提出了基于車道線特征點坐標轉換關系的公路視距檢測算法,主要研究內容如下:(1)首先,針對傳統(tǒng)的最大類間方差法閾值分割造成的車道線區(qū)域錯誤分割問題,利用車道線灰度分布曲線通過多次試驗確定車道線的灰度分布范圍,將車道線灰度范圍設置為兩個閾值進行雙閾值分割。(2)其次,針對真實道路環(huán)境中可能出現(xiàn)的障礙物邊緣信息的干擾以及由于光照不均、車道線污損等原因導致的車道線邊緣模糊問題,本文采用了基于Sobel豎直梯度卷積模板進行邊緣增強處理,改善了車道線邊緣的清晰度,提高了車道線提取的效果,然后針對車道線初步提取后存在的線條干擾問題,本文采用了基于車道線寬度特征的車道線行掃描方法進行二次提取。(3)最后,根據(jù)視距的相關知識,將視距的檢測問題轉化成車道線消失點與車輛之間的車道線長度的檢測問題。分析了攝像機成像過程中坐標系之間的轉換關系并采用張正友法進行攝像機標定得到攝像機內參數(shù),通過幾何投影及坐標轉換關系,推導出了基于車道線特征點坐標轉換關系的視距檢測模型,并進行了靜態(tài)實車試驗。研究表明:本文提出的基于單目視覺的自由流狀態(tài)下的公路視距檢測算法可以較好地檢測出直線以及曲線等各類道路線形的公路視距,平均公路視距檢測誤差為5.2%。研究結果可以應用于運營公路的安全評價以及行車過程中對駕駛人的安全提醒。
[Abstract]:With the rapid development of highway traffic in China, traffic safety problems become increasingly prominent. A large number of studies show that the road visual distance is insufficient, and the road dangerous information for drivers is lagging behind. It is one of the most important reasons that cause the road traffic accident to happen frequently. Therefore, it is the first task to ensure the road traffic safety to ensure that the driver obtains the sufficient visual distance in the course of the road traffic transportation. How to detect the highway visual distance in time and effectively, improve the highway safety design, remind the driver to control the speed reasonably, avoid the road traffic accident, To improve the safety and security ability of highway operation will be an important way to improve road traffic safety. In order to obtain good results of road visual range detection, this paper studies image processing and monocular vision ranging. In this paper, a highway line-of-sight detection algorithm based on the relationship between lane feature points and coordinate transformation is proposed. The main research contents are as follows: firstly, aiming at the problem of lane error segmentation caused by the threshold segmentation of the traditional maximum inter-class variance method, a new algorithm is proposed. The grayscale distribution range of driveway line is determined by many experiments, and the grayscale range of driveway line is set to two thresholds for double threshold segmentation. In view of the interference of obstacle edge information which may appear in real road environment and the ambiguity of lane edge caused by uneven illumination and lane line fouling etc. In this paper, the vertical gradient convolution template based on Sobel is used for edge enhancement, which improves the clarity of lane line edge and improves the effect of lane line extraction. In this paper, the lane line scanning method based on lane width feature is used to extract the lane line twice. Finally, according to the relevant knowledge of the distance of sight, The detection problem of visual distance is transformed into the detection of lane line vanishing point and lane line length between vehicles. The transformation relationship between coordinate system in camera imaging process is analyzed and calibrated by means of Zhang Zhengyou method. Parameters inside the camera, Based on the geometric projection and coordinate transformation relationship, a line-of-sight detection model based on the relationship between lane feature points and coordinate transformation is derived. The research shows that the proposed road visual distance detection algorithm based on monocular vision in free flow state can better detect the road line-of-sight distance of all kinds of road lines, such as straight lines and curves. The detection error of average road sight distance is 5.2. The results can be used to evaluate the safety of operating roads and to remind drivers of safety in the course of driving.
【學位授予單位】：長安大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：U492.8

【相似文獻】

相關期刊論文 前7條

1 郝國芬;劉金輝;劉春玲;劉坤峰;;最優(yōu)邊緣檢測算法在智能煤運車輛車道線識別中的應用研究[J];煤炭技術;2012年10期

2 甘志杰;劉云;;基于單目視覺的實時身高測量算法[J];青島科技大學學報(自然科學版);2008年04期

3 劉燁;姜壽山;張欣;張杰;盛光有;;基于單目視覺測量的數(shù)字化人體模型重建(英文)[J];西安工程大學學報;2009年02期

4 盛光有;姜壽山;張欣;崔芳芳;;基于單目視覺測量的人體建模與顯示[J];西安工程大學學報;2009年04期

5 解則曉;韓振華;高翔;;光筆式單目視覺測量系統(tǒng)的關鍵技術[J];中國光學;2013年05期

6 劉長英;高印寒;車仁生;;單目視覺測量系統(tǒng)不確定度的分析[J];機械工程學報;2008年07期

7 沈寶國;顧寄南;陳雪芳;陳四杰;丁衛(wèi);李國靜;;基于單目視覺的零件抓取信息提取技術[J];制造業(yè)自動化;2012年17期

相關會議論文 前10條

1 畢雁冰;;提高車道線識別精度的一種方法[A];第三屆中國CAE工程分析技術年會論文集[C];2007年

2 楊廣林;苗冬霜;;結構化道路車道線檢測與跟蹤算法[A];2005年全國理論計算機科學學術年會論文集[C];2005年

3 劉曉龍;鄧志東;;基于全局與局部模型相互制約及具有模型不確定性評估的車道線檢測方法[A];2013年中國智能自動化學術會議論文集（第三分冊）[C];2013年

4 張潔穎;王生進;丁曉青;;基于車輛軌跡的車道線檢測與劃分[A];圖像圖形技術與應用進展——第三屆圖像圖形技術與應用學術會議論文集[C];2008年

5 余貴珍;李芹;王迪;;車輛智能化車道線跟蹤方法研究[A];第八屆中國智能交通年會優(yōu)秀論文集——智能交通與安全[C];2013年

6 李二濤;張峗;曾虹;;基于單目視覺的彩色目標跟蹤[A];浙江省電子學會2008年學術年會論文集[C];2008年

7 秦麗娟;胡玉蘭;魏英姿;王紅;周越;;基于模型的單目視覺定位方法研究概述[A];第三屆全國虛擬儀器大會論文集[C];2008年

8 李鋼;圣華;張仁斌;;基于LMedSquare選取最佳子集的車道線檢測算法[A];2009全國虛擬儀器大會論文集（二）[C];2009年

9 楊唐文;韓建達;王紅波;阮秋琦;;基于空間幾何約束的單目視覺物體測距[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學學報（增刊）][C];2009年

10 劉天輝;李飛;;車輛視覺導航中道路檢測算法研究[A];第十一屆沈陽科學學術年會暨中國汽車產(chǎn)業(yè)集聚區(qū)發(fā)展與合作論壇論文集（信息科學與工程技術分冊）[C];2014年

相關博士學位論文 前10條

1 杜明芳;基于視覺的自主車道路環(huán)境理解技術研究[D];北京理工大學;2015年

2 王俊;無人駕駛車輛環(huán)境感知系統(tǒng)關鍵技術研究[D];中國科學技術大學;2016年

3 穆柯楠;基于車—路視覺協(xié)同的行車環(huán)境感知方法研究[D];長安大學;2016年

4 王超;面向智能車輛的單目視覺行車安全信息檢測與識別方法研究[D];南京理工大學;2016年

5 姚楠;基于單目視覺的運動目標跟蹤定位技術研究[D];上海交通大學;2014年

6 洪裕珍;空間非合作目標的單目視覺姿態(tài)測量技術研究[D];中國科學院光電技術研究所;2017年

7 馮春;基于單目視覺的目標識別與定位研究[D];南京航空航天大學;2013年

8 趙敏;單目視覺多行人目標檢測與跟蹤技術研究[D];重慶大學;2010年

9 馮國虎;單目視覺/慣性組合導航可觀性分析與動態(tài)濾波算法研究[D];國防科學技術大學;2012年

10 陳軍;基于DSP的高速公路車道偏離報警系統(tǒng)研究[D];天津大學;2010年

相關碩士學位論文 前10條

1 高波;基于單目視覺的公路視距檢測技術研究[D];長安大學;2017年

2 圣華;車道線檢測在車道偏離預警中的應用研究[D];合肥工業(yè)大學;2010年

3 詹海浪;基于計算機視覺的車道線檢測與交通路標識別[D];華南理工大學;2015年

4 孫旺旺;基于Kalman濾波跟蹤的車道偏離預警方法研究[D];長安大學;2015年

5 陳普;基于計算機視覺的車道偏離預警算法研究[D];南昌航空大學;2015年

6 李青;線狀目標提取技術研究及應用[D];大連理工大學;2015年

7 許茂鵬;車道線檢測系統(tǒng)的研究與實現(xiàn)[D];電子科技大學;2015年

8 劉冠宇;基于視覺的車道線檢測與車輛識別技術研究[D];北京工業(yè)大學;2015年

9 王向陽;基于DM642的車道線檢測方法的研究[D];河北工業(yè)大學;2015年

10 隆迪;高速公路彎道場景的路面區(qū)域提取[D];南京大學;2015年

，

本文編號：1522181