本文選題：車道線檢測 + 復(fù)雜背景��； 參考：《長安大學(xué)》2017年碩士論文

【摘要】：隨著公路交通事業(yè)的迅速發(fā)展,基于道路圖像的車道線檢測技術(shù)已經(jīng)成為人們研究的熱點和難點。在車道線檢測過程中,可能會碰到很多復(fù)雜的路況,導(dǎo)致獲取的道路圖像中會出現(xiàn)一些復(fù)雜的背景,例如亮度較低、邊緣模糊、油污污染等。在這些情況下,現(xiàn)有的車道線檢測方法已不能滿足需求,無法很好的檢測出車道線。針對以上問題,本文從道路圖像去噪、車道線提取和直線擬合三個主要方面對復(fù)雜背景情況下道路圖像車道線檢測進(jìn)行深入研究,主要工作如下:(1)論文針對道路圖像亮度較低、邊緣模糊等特點,提出利用基于分?jǐn)?shù)階積分的算法對復(fù)雜道路圖像進(jìn)行去噪。不僅較好的去除了圖像的噪聲而且保留了圖像的邊緣信息,不會使圖像產(chǎn)生模糊現(xiàn)象。(2)論文針對亮度較低及模糊的道路圖像等,提出了一種基于最大類間交叉熵并結(jié)合改進(jìn)自適應(yīng)階數(shù)的分?jǐn)?shù)階微分的車道線提取算法。通過分析圖像的特征,利用最大類間交叉熵的方法計算圖像最優(yōu)閾值,再將像素點8鄰域的平均梯度與最優(yōu)閾值進(jìn)行比較,來選定分?jǐn)?shù)階微分算子的階數(shù),進(jìn)行車道線的提取。(3)論文利用改進(jìn)的最小二乘法進(jìn)行車道線擬合,將近視野范圍內(nèi)的車道線定義為直線模型,再將擬合后的直線使用消失點進(jìn)行車道線連接,利用卡爾曼濾波器預(yù)測車道線的感興趣區(qū)域減小搜索范圍,提高車道線實時檢測的效果。由于本文算法針對的圖像一般為對比度低和邊緣模糊等復(fù)雜背景圖像,文中選取兩幅具有代表性的圖像利用本文算法進(jìn)行檢測,并且與參考文獻(xiàn)中的算法進(jìn)行比較分析,實驗結(jié)果體現(xiàn)了本文算法的有效性和優(yōu)越性。
[Abstract]:With the rapid development of highway traffic, lane detection technology based on road image has become a hot and difficult point. In the course of lane detection, many complicated road conditions may be encountered, resulting in some complicated background in the acquired road images, such as low brightness, blurry edges, oil pollution and so on. In these cases, the existing lane detection methods can not meet the demand, and can not detect the lane line well. Aiming at the above problems, this paper makes a deep research on road image lane line detection under complex background from three main aspects: road image denoising, lane line extraction and line fitting. The main work is as follows: 1) aiming at the low brightness of road image, Based on fractional-order integral algorithm, the edge blur is proposed to de-noise complex road images. Not only the noise of the image is removed, but also the edge information of the image is retained, so that the image will not produce blur. (2) the paper aims at the road image with low brightness and blur, etc. A lane line extraction algorithm based on maximum cross-entropy between classes and improved adaptive order is proposed. By analyzing the features of the image, using the maximum cross-entropy method to calculate the optimal threshold value of the image, and then comparing the average gradient of the pixel point 8 neighborhood with the optimal threshold value, the order of the fractional differential operator is selected. In this paper, the improved least square method is used to fit the lane line. The lane line is defined as a straight line model within the range of vision, and then the fitted line is connected with the vanishing point by using the vanishing point. The Kalman filter is used to predict the region of interest of lane line and reduce the search area and improve the real-time detection effect of lane line. Because the image in this paper is usually low contrast and edge blur, two representative images are selected to be detected by this algorithm, and compared with the algorithm in reference. The experimental results show the effectiveness and superiority of this algorithm.
【學(xué)位授予單位】：長安大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：U495;TP391.41

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 徐美華;張凱欣;蔣周龍;;一種實時車道線偏離預(yù)警系統(tǒng)算法設(shè)計和實現(xiàn)[J];交通運(yùn)輸工程學(xué)報;2016年03期

2 張婕;王穎;;基于距離灰度補(bǔ)償?shù)母倪M(jìn)最大熵紅外圖像分割[J];半導(dǎo)體光電;2016年01期

3 陳若珠;武藝玄;;基于車牌識別的圖像預(yù)處理研究[J];工業(yè)儀表與自動化裝置;2015年04期

4 彭紅;肖進(jìn)勝;程顯;李必軍;宋曉;;基于擴(kuò)展卡爾曼濾波器的車道線檢測算法[J];光電子·激光;2015年03期

5 王海;蔡英鳳;林國余;張為公;;基于方向可變Haar特征和雙曲線模型的車道線檢測方法[J];交通運(yùn)輸工程學(xué)報;2014年05期

6 吳焱;錢振邦;王建軍;鄧亞娟;盧楊;;高速公路交通安全風(fēng)險評價與敏感性分析[J];長安大學(xué)學(xué)報(自然科學(xué)版);2014年04期

7 許宏科;秦嚴(yán)嚴(yán);陳會茹;;一種基于改進(jìn)Canny的邊緣檢測算法[J];紅外技術(shù);2014年03期

8 王東霞;許偉昶;;基于改進(jìn)的數(shù)學(xué)形態(tài)學(xué)邊緣檢測算法研究[J];實驗室研究與探索;2014年02期

9 許宏科;秦嚴(yán)嚴(yán);;一種基于 Hough 變換的車道線檢測新方法[J];徐州工程學(xué)院學(xué)報(自然科學(xué)版);2013年04期

10 喬鬧生;鄒北驥;鄧?yán)?曾友兵;鄒劍臣;;一種基于圖像融合的含噪圖像邊緣檢測方法[J];光電子.激光;2012年11期

相關(guān)博士學(xué)位論文 前2條

1 曾俊;圖像邊緣檢測技術(shù)及其應(yīng)用研究[D];華中科技大學(xué);2011年

2 王曉燕;分?jǐn)?shù)階控制系統(tǒng)分析及應(yīng)用研究[D];華北電力大學(xué)（北京）;2011年

相關(guān)碩士學(xué)位論文 前10條

1 呂亞運(yùn);基于機(jī)器視覺的車道線偏移檢測與預(yù)警系統(tǒng)設(shè)計與實現(xiàn)[D];安徽工程大學(xué);2016年

2 董巧玲;不同誤差影響模型下總體最小二乘法在多元線性回歸中的應(yīng)用研究[D];太原理工大學(xué);2016年

3 路順杰;綜合考慮視覺和雷達(dá)的車道線檢測研究[D];吉林大學(xué);2015年

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

5 張洪丹;車道偏離預(yù)警系統(tǒng)車道線檢測及預(yù)警策略算法研究[D];湖南大學(xué);2015年

6 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(xué);2015年

7 謝茜;基于視覺的車道線檢測與識別[D];武漢理工大學(xué);2013年

8 周明龍;機(jī)器視覺在車道線檢測技術(shù)中的應(yīng)用研究[D];安徽工程大學(xué);2012年

9 楊釗;分?jǐn)?shù)階微分在巖石裂隙圖像中的應(yīng)用[D];電子科技大學(xué);2009年

10 陳宇云;灰度圖像的邊緣檢測研究[D];電子科技大學(xué);2009年

，

本文編號：1857707