發(fā)布時(shí)間：2020-06-19 10:33

【摘要】：智能交通是未來(lái)交通系統(tǒng)的發(fā)展方向,先進(jìn)的車(chē)輛控制系統(tǒng)是智能交通中的重要組成部分�；跀�(shù)字圖像處理、機(jī)器視覺(jué)和機(jī)器學(xué)習(xí)的智能控制技術(shù)在先進(jìn)的車(chē)輛控制系統(tǒng)中具有關(guān)鍵的作用。自動(dòng)駕駛是智能交通的必然產(chǎn)物,而機(jī)器視覺(jué)感知技術(shù)是自動(dòng)駕駛中的“眼睛”,它能夠通過(guò)對(duì)無(wú)人駕駛車(chē)輛(無(wú)人車(chē))所在的路面車(chē)輛動(dòng)態(tài)圖像進(jìn)行智能識(shí)別以實(shí)現(xiàn)安全駕駛。本文主要研究高速結(jié)構(gòu)路面下無(wú)人駕駛車(chē)輛所在路面的車(chē)輛動(dòng)態(tài)圖像的智能識(shí)別技術(shù),包括車(chē)道檢測(cè)、車(chē)輛檢測(cè)與跟蹤、車(chē)道偏離檢測(cè)與車(chē)距安全檢測(cè)等。對(duì)于多車(chē)道檢測(cè),根據(jù)路面與分道線(xiàn)灰度級(jí)相差較大的特點(diǎn)來(lái)實(shí)現(xiàn)車(chē)道路面的分割,接著結(jié)合直線(xiàn)方程和Catmull-Rom Spline插值算法來(lái)擬合分道線(xiàn)。對(duì)于單車(chē)道檢測(cè),首先基于HSV顏色空間和Sobel邊緣提取方法對(duì)單車(chē)道進(jìn)行有效分割,接著在透視變換空間中提取分道線(xiàn)坐標(biāo)點(diǎn)并用二次多項(xiàng)式擬合分道線(xiàn)。針對(duì)車(chē)輛檢測(cè),首先使用Hog+Gentle-Adaboost分類(lèi)算法實(shí)現(xiàn)無(wú)人車(chē)前方路面車(chē)輛的檢測(cè),接著基于車(chē)底陰影的特征對(duì)車(chē)底陰影進(jìn)行檢測(cè)以驗(yàn)證學(xué)習(xí)算法檢測(cè)到的車(chē)輛區(qū)域的真?zhèn)涡浴ａ槍?duì)車(chē)輛跟蹤,采用動(dòng)態(tài)二階自回歸模型的方法預(yù)測(cè)車(chē)輛的狀態(tài)。其中,對(duì)于粒子濾波固有的粒子退化問(wèn)題,本文創(chuàng)新性地引入Thompson_Taylor算法改善了粒子退化和低多樣性的缺陷。所應(yīng)用的車(chē)距檢測(cè)模型,不但能夠檢測(cè)出前方車(chē)輛與無(wú)人車(chē)的距離,還能計(jì)算出前方車(chē)輛相對(duì)于攝像機(jī)光軸的偏轉(zhuǎn)角度。在CCP(The Car's Current Position)偏離檢測(cè)算法的基礎(chǔ)上,本文實(shí)現(xiàn)了檢測(cè)無(wú)人車(chē)偏離車(chē)道的計(jì)算,其中,能夠設(shè)定無(wú)人車(chē)在車(chē)道上的安全區(qū)和警報(bào)區(qū)來(lái)實(shí)現(xiàn)車(chē)道偏離的及時(shí)報(bào)警。車(chē)輛動(dòng)態(tài)圖像識(shí)別中的所有算法均引用Opencv視覺(jué)庫(kù)進(jìn)行仿真與分析,并且將算法移植到嵌入式平臺(tái)DSP-DM3730上測(cè)試。實(shí)驗(yàn)表明,算法能有效解決車(chē)道的智能檢測(cè)、車(chē)輛的智能檢測(cè)與跟蹤以及無(wú)人車(chē)的車(chē)道偏離的智能檢測(cè)與前向防撞的智能檢測(cè)等問(wèn)題。
【學(xué)位授予單位】：福建師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類(lèi)號(hào)】：TP391.41;U495
【圖文】：

圖２自動(dòng)化汽車(chē)產(chǎn)業(yè)比例圖邐圖３軟件行業(yè)占據(jù)市場(chǎng)份額逡逑Ｆｉｇ邋２邋Ａｕｔｏｍａｔｉｃ邋ａｕｔｏｍｏｂｉｌｅ邋ｉｎｄｕｓｔｒｙ邋ｓｃａｌｅ邐Ｆｉｇ邋３邋Ｔｈｅ邋ｓｏｆｔｗａｒｅ邋ｉｎｄｕｓｔｒｙ邋ｔａｋｅｓ邋ｍａｒｋｅｔ邋ｓｈａｒｅ逡逑究所都在大力研發(fā)自動(dòng)駕駛技術(shù)。自動(dòng)駕駛汽車(chē)的構(gòu)成除了最原始的駕駛體系，還逡逑增加了相應(yīng)的車(chē)載傳感器使汽車(chē)的構(gòu)成除了最原始的駕駛體系，還增加了相應(yīng)的車(chē)逡逑載傳感器，主要包括激光發(fā)射器、雷達(dá)、攝像頭、ＧＰＳ／ＩＭＵ、核心處理器［３］Ｗ。激光逡逑發(fā)射器主要通過(guò)獲取極短的發(fā)射與接收激光速時(shí)間差來(lái)計(jì)算出物體與無(wú)人車(chē)的距逡逑離；車(chē)載雷達(dá)可以準(zhǔn)確得到汽車(chē)運(yùn)行的相對(duì)速度；車(chē)載攝像頭可以確定自己的位置，逡逑識(shí)別前方障礙物，辨識(shí)道路上的信號(hào)燈和信號(hào)標(biāo)識(shí)，保證自身運(yùn)行遵循交通規(guī)則。逡逑如對(duì)障礙物的識(shí)別，攝像頭可以很容易通過(guò)機(jī)器學(xué)習(xí)、深度學(xué)習(xí)把障礙物進(jìn)行細(xì)致逡逑分類(lèi)，感知和識(shí)別周?chē)h(huán)境，并且得到各種對(duì)車(chē)輛的有用信息。ＧＰＳ／ＭＵ系統(tǒng)通過(guò)逡逑發(fā)射高達(dá)２００Ｈｚ的信號(hào)幫助無(wú)人車(chē)完成自我定位。核心處理器是無(wú)人駕駛的核心，逡逑主要用來(lái)整合激光發(fā)射器、雷達(dá)、ＧＰＳ／ＩＭＵ和攝像頭的數(shù)據(jù)繪制出３Ｄ路況圖，使逡逑汽車(chē)做出相應(yīng)的決策。整合車(chē)載傳感器的所有采集數(shù)據(jù)并輸入核心處理器集中分析，逡逑便成了智能輔助駕駛系統(tǒng)（Ａｄｖａｎｃｅｄ邋Ｄｒｉｖｅｒ邋Ａｓｓｉｓｔａｎｃｅ邋Ｓｙｓｔｅｍｓ，ＡＤＡＳ），實(shí)質(zhì)上是利用逡逑

，李彥宏提出了加快制定自動(dòng)駕駛車(chē)輛政策法規(guī)的提案。逡逑攝像機(jī)是無(wú)人車(chē)的“眼睛”，相比于雷達(dá)、激光、ＧＰＳ和超聲波等設(shè)備，其成本低，逡逑安裝維護(hù)方便，感應(yīng)范圍廣和具有能靈活獲取多種環(huán)境參的優(yōu)點(diǎn)，一直受?chē)?guó)內(nèi)外研逡逑宄學(xué)者的關(guān)注。基于計(jì)算機(jī)視覺(jué)感知技術(shù)一直受復(fù)雜的行車(chē)環(huán)境、光照變化等因素逡逑的影響，且道路分道線(xiàn)的模糊與不同程度的彎曲，給車(chē)道檢測(cè)帶來(lái)相應(yīng)的難度，還逡逑有路面上以車(chē)輛為主的障礙物因速度不同導(dǎo)致成像后發(fā)生不同程度的姿態(tài)變化和尺逡逑度變化，同樣給車(chē)輛識(shí)別增加難度�；趫D像處理技術(shù)的機(jī)器視覺(jué)無(wú)人車(chē)技術(shù)現(xiàn)在逡逑正處于發(fā)展階段且尚未完善，盡管現(xiàn)階段對(duì)無(wú)人車(chē)環(huán)境識(shí)別問(wèn)題有一定的研究，但逡逑是只能針對(duì)一定環(huán)境下的處理，因此有待改進(jìn)和深入研宄該領(lǐng)域的相關(guān)問(wèn)題。逡逑本文主要是對(duì)無(wú)人駕駛中的視頻攝像機(jī)圖像進(jìn)行研[�，目的蕮岥用砷侎机获取辶x銑盜韭訪嫻畝枷窬模櫻鋅燜俅�，毒壚|非胺匠盜炯觳夂透�，获取潮I局芪у義匣肪車(chē)穆房霾問(wèn)�，包括硻n蘭觳庥氤盜炯觳馇榭觥⑽奕順檔鈉澆�、无软槣祀前方辶x銑盜揪嗬氳鵲刃畔⒌奶崛�，获取的路况数据流可用又X奕思菔壞牟倏刂校繁Ｎ奕隋義銑蛋踩誦�。辶x

本文編號(hào)：2720674