【摘要】：在智能控制與工業(yè)和科技深度融合發(fā)展的時代下,車輛的無人化控制系統(tǒng)已經(jīng)成為現(xiàn)代車輛發(fā)展與生產(chǎn)中不可或缺的技術(shù),不斷提升社會生產(chǎn)效率和提高人們的出行體驗。車道保持控制技術(shù)作為無人車控制最為基礎(chǔ)與核心的模塊之一,具有重要的研究價值與意義。本文采用深度學(xué)習(xí)方法進(jìn)行車道識別檢測,通過最小二乘法擬合檢測到的車道曲線,結(jié)合卡爾曼濾波完成車道線的跟蹤與定位,得到車輛在車道上的行駛軌跡,從而完成車道保持控制任務(wù)。主要研究內(nèi)容有:1.采用全卷積神經(jīng)網(wǎng)絡(luò)算法來識別檢測車道,首先研究了關(guān)于典型計算機(jī)視覺中識別車道線的邊緣檢測算法,并設(shè)計一種基于邊緣檢測法標(biāo)定車道數(shù)據(jù)集的方法。然后完成數(shù)據(jù)集制作并訓(xùn)練全卷積神經(jīng)網(wǎng)絡(luò)模型,最后通過訓(xùn)練好的全卷積神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)對車道的檢測與識別。2.針對車道檢測誤檢漏檢問題,研究車道線跟蹤定位,首先通過全卷積神經(jīng)網(wǎng)絡(luò)完成車道檢測,得到車道的檢測數(shù)據(jù)。然后通過逆透視變換得到對應(yīng)的鳥瞰圖,提取鳥瞰圖上的左右車道像素點坐標(biāo),通過最小二乘法擬合車道線曲線方程,求解曲線方程系數(shù)。通過卡爾曼濾波器對每次擬合的曲線方程系數(shù)進(jìn)行預(yù)測得到最優(yōu)曲線方程,完成車道線跟蹤,并根據(jù)左右兩車道線方程求解出車道中心線曲線方程以及其曲線斜率,從而得到車輛行駛軌跡。3.為了驗證車道保持控制的可行性,采用預(yù)測控制模型,將卡爾曼濾波器跟蹤得到的車道中心線作為車道保持的控制行駛軌跡,求出行駛所需的偏航角并給定期望速度。構(gòu)建mpc控制器仿真模型,驗證并分析控制模型的可靠性。搭建實車測試平臺,完成模型控制測試任務(wù),并進(jìn)行實車測試與分析。
【學(xué)位授予單位】：重慶郵電大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TN713;TP183;U463.6
【圖文】：

像根據(jù)左右車道分割為兩份，分別對兩副圖做相同的車道線捕捉處理，檢測高定最高閾值 max_threshold 的像素點，去除掉低于最低閾值 min_threshold 的像，再檢測像素值介于 max_threshold 與 min_threshold 之間的像素值并且該像素與高于 max_threshold 的像素點進(jìn)行連接，在經(jīng)過 Hough 變換，并設(shè)定一條直可接受輸出直線的最短長度和一條直線中兩點間隔的最大距離，得到一系列，計算每條直線斜率并求其均值，將斜率均值一定區(qū)間之外的斜率直線去除。下直線的斜率再取均值，根據(jù)新的均值斜率重新進(jìn)行劃線，得到所需車道直線后通過二值化鳥瞰圖檢測到的車道線通過逆變器矩陣嵌入到原始圖像中得到(h)所示。.1.3 制作數(shù)據(jù)集標(biāo)簽根據(jù)上述 2.1.2 節(jié)中的方法處理車道圖如圖 2.2 所示。

郵電大學(xué)碩士學(xué)位論文 第 2 章 全卷積神經(jīng)網(wǎng)絡(luò)的車道檢測絡(luò)是否能夠激活實際的車道區(qū)域，或者能夠激活類似的區(qū)域。以此查看每個層中車道線激活映射。將圖 2.6 中(a)輸入到網(wǎng)絡(luò)模型中生成如下可視化圖片，觀察圖(b)和(c)可以看，經(jīng)過第一層卷積層的激活效果，圖片中車道幾乎不可見，經(jīng)過多次卷積層激活越來越清晰，由此可見本網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計有效。當(dāng)然這是圖 2.6 原始輸入信息圖是光線較暗的情況下拍攝的。第二次測試換上光線較強(qiáng)的車道圖，如圖 2.7 所示，過第一次卷積層激活后，圖(b)中車道線與車道區(qū)域已經(jīng)明顯被激活了，到第三卷積層時，圖(c)中車道區(qū)域則被激活的更加明顯了。即經(jīng)過多次卷積過濾與激后，其最終的輸出特征信息圖像可以達(dá)到本文設(shè)計需求。

經(jīng)過第一層卷積層的激活效果，圖片中后越來越清晰，由此可見本網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計片是光線較暗的情況下拍攝的。第二次測試經(jīng)過第一次卷積層激活后，圖(b)中車道線與個卷積層時，圖(c)中車道區(qū)域則被激活的更活后，其最終的輸出特征信息圖像可以達(dá)到(a)輸入原始車道圖 (b)車道圖 2.6 暗光

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 駱濟(jì)煥;蘭鳳崇;陳吉清;;聯(lián)合圖像處理和目標(biāo)約束的車道線檢測方法[J];汽車工程學(xué)報;2019年01期

2 趙偉康;黎向鋒;畢高杰;謝昌剛;李X;楊振泰;;一種基于橫截面特征的車道線檢測方法[J];機(jī)械制造與自動化;2019年03期

3 姜立標(biāo);臺U_龍;;基于實例分割方法的復(fù)雜場景下車道線檢測[J];機(jī)械設(shè)計與制造工程;2019年05期

4 劉雁斌;;基于結(jié)構(gòu)化道路的車道線檢測研究[J];交通科技;2019年04期

5 馬泉鈞;何自超;林邦演;曾文軒;;基于圖像處理的長距離車道線檢測[J];河南科技;2019年29期

6 劉軍;馮榮達(dá);趙吉賓;[＠

本文編號：2796236