本文關(guān)鍵詞：基于機(jī)器視覺的道路及車輛檢測技術(shù)研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著交通系統(tǒng)的發(fā)展以及科技的進(jìn)步,智能交通系統(tǒng)(Intelligent Transportation System,簡稱ITS)受到了廣泛關(guān)注并快速發(fā)展。作為智能交通系統(tǒng)至關(guān)重要的一部分以及未來車輛的發(fā)展方向,智能車(Intelligent Vehicle,簡稱IV)這個集環(huán)境感知、路徑規(guī)劃和安全駕駛功能于一體的智能系統(tǒng)正在迅速發(fā)展�；跈C(jī)器視覺的環(huán)境感知是智能車系統(tǒng)中一個很重要的部分。本文以北京工業(yè)大學(xué)智能電動車BJUT-IV為平臺,基于單目視覺傳感器,對智能車的環(huán)境感知進(jìn)行了研究。重點研究內(nèi)容包括如下四個方面:圖像預(yù)處理、車道線檢測、前方車輛識別、坐標(biāo)變換及狀態(tài)預(yù)警。首先,針對路面環(huán)境特點對智能車車載攝像頭采集的原始圖像進(jìn)行圖像預(yù)處理。針對道路環(huán)境,采用加權(quán)平均法對圖像灰度化處理。對圖像進(jìn)行雙邊濾波降噪,在抑制噪聲的同時盡可能保留物體邊緣信息。對行車環(huán)境中的不同光照情況進(jìn)行分類,根據(jù)不同光照采取不同灰度拉伸方法。其次,針對于多車道的行車環(huán)境提出了一種三車道檢測方法。針對路面環(huán)境提出了基于變內(nèi)核TopHat的車道線分割算法,有效減小了環(huán)境變換對車道線分割的影響。提出了一種利用三車道直線模型對車道線進(jìn)行定位的方法,方法以基于θ軸方向的雙拋物線密度函數(shù)的Hough變換對圖像進(jìn)行直線搜尋,以加權(quán)最小二乘法擬合道路消失點篩選直線,并對直線進(jìn)行聚類,并根據(jù)匹配標(biāo)準(zhǔn)在極坐標(biāo)下與三車道模型進(jìn)行匹配。提出了一種曲線車道線搜索方法,區(qū)分近視景區(qū)與遠(yuǎn)視景區(qū)將車道線與感興趣區(qū)迭代搜索,并在對比了兩種車道線擬合方法后選擇最小二乘法擬合三次曲線模型以確定車道線。在用于車道線保持的Kalman濾波過程中對車道線存在性進(jìn)行濾波,解決了連續(xù)的視頻中車道線閃現(xiàn)的問題。提出了基于隨機(jī)投種法的邊側(cè)車道可行駛性判定方法,解決了三車道識別中兩側(cè)車道誤檢測的問題。實驗證明算法檢測率較高并具有較強(qiáng)的環(huán)境適應(yīng)性。而后,提出了基于多特征的車輛識別方法。利用最大類間方差法求取先驗熵閾值,并利用熵單元格在感興趣區(qū)內(nèi)搜索車輛。提出了熵單元格合并規(guī)則以排除路面高圖像復(fù)雜度的小區(qū)域的干擾。基于車道線等路面標(biāo)志與車輛陰影的灰度差異,利用車輛陰影對基于圖像熵的車輛識別進(jìn)行篩選,優(yōu)化車輛識別效果。應(yīng)用Kalman濾波對車輛位置進(jìn)行預(yù)測,減小識別方法的感興趣區(qū),提升了算法效率。實驗結(jié)果表明算法識別率較高,能夠適應(yīng)復(fù)雜路面以及光照變化且具有較好的實時性。最后,分析了車載攝像機(jī)的成像模型并推導(dǎo)了圖像坐標(biāo)系與智能車車輛坐標(biāo)系間的轉(zhuǎn)換關(guān)系。利用坐標(biāo)變換以及道路檢測結(jié)果對智能車進(jìn)行定位,并根據(jù)位置信息與前方車輛位置計算智能車預(yù)警信息,保障行車安全。為驗證文中算法的性能,設(shè)計并編寫了智能車行車輔助軟件并以BJUT-IV智能車為基礎(chǔ)進(jìn)行實驗。結(jié)果表明,系統(tǒng)達(dá)到預(yù)期目標(biāo)并且具有良好的環(huán)境適應(yīng)性和實時性。
【關(guān)鍵詞】：智能車 環(huán)境感知 機(jī)器視覺 車道線檢測 車輛識別 行車預(yù)警
【學(xué)位授予單位】：北京工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：U495;TP391.41
【目錄】：

• 摘要4-6
• ABSTRACT6-11
• 第1章 緒論11-23
• 1.1 引言11-12
• 1.2 智能車輛技術(shù)概述12-17
• 1.2.1 國外智能車輛概況12-15
• 1.2.2 國內(nèi)智能車輛概況15-16
• 1.2.3 成熟的智能車輛輔助駕駛產(chǎn)品16-17
• 1.3 基于視覺的智能車導(dǎo)航技術(shù)17-20
• 1.3.1 視覺導(dǎo)航技術(shù)優(yōu)點17-18
• 1.3.2 基于機(jī)器視覺的道路識別18
• 1.3.3 基于機(jī)器視覺的前方車輛識別18-19
• 1.3.4 存在問題與課題需求19-20
• 1.4 課題方案及主要研究內(nèi)容20-23
• 1.4.1 課題總體方案20-21
• 1.4.2 課題研究內(nèi)容與意義21-23
• 第2章 圖像預(yù)處理23-31
• 2.1 引言23
• 2.2 灰度化23-25
• 2.3 圖像降噪25-27
• 2.4 圖像增強(qiáng)27-29
• 2.4.1 光照強(qiáng)度分類27-28
• 2.4.2 灰度拉伸28-29
• 2.5 本章小結(jié)29-31
• 第3章 三車道檢測與跟蹤31-59
• 3.1 引言31-32
• 3.2 車道線預(yù)處理32-38
• 3.2.1 車道線分割算法32-33
• 3.2.2 TopHat算法33-34
• 3.2.3 變內(nèi)核TopHat算法增強(qiáng)直線車道線34-36
• 3.2.4 邊緣檢測36-38
• 3.3 基于直線模型的多車道線定位38-44
• 3.3.1 基于雙拋物線密度函數(shù)的Hough變換38-40
• 3.3.2 基于加權(quán)最小二乘法（WLS）的道路消失點擬合40-42
• 3.3.3 直線聚類42
• 3.3.4 直線車道模板匹配42-44
• 3.4 曲線車道線搜索及擬合44-48
• 3.4.1 車道線搜索ROI劃定44-45
• 3.4.2 近視景區(qū)ROI45-46
• 3.4.3 遠(yuǎn)視景區(qū)ROI及種子點的迭代搜索46
• 3.4.4 車道線擬合46-48
• 3.5 車道線KALMAN濾波48-51
• 3.5.1 Kalman濾波器算法49-50
• 3.5.2 車道線的Kalman濾波器模型50-51
• 3.6 多車道可行駛性判定51-53
• 3.6.1 多車道環(huán)境的可行駛性問題51-52
• 3.6.2 基于隨機(jī)投種法的邊側(cè)車道可行駛性判定52-53
• 3.7 實驗與分析53-57
• 3.8 本章小結(jié)57-59
• 第4章 基于多特征的車輛識別方法59-71
• 4.1 引言59-60
• 4.2 基于圖像熵的車輛識別60-64
• 4.2.1 圖像熵搜索60-62
• 4.2.2 熵單元格合并62-63
• 4.2.3 車輛邊緣確定63-64
• 4.3 基于車輛陰影的車輛判別方法64-66
• 4.3.1 道路灰度提取與判定65
• 4.3.2 底盤陰影提取與判定65-66
• 4.4 基于KALMAN濾波的車輛跟蹤與預(yù)測66-68
• 4.5 實驗與分析68-70
• 4.6 本章小結(jié)70-71
• 第5章 坐標(biāo)變換和狀態(tài)預(yù)警71-81
• 5.1 引言71
• 5.2 攝像機(jī)坐標(biāo)變換71-76
• 5.2.1 攝像機(jī)模型72
• 5.2.2 坐標(biāo)轉(zhuǎn)換72-76
• 5.3 車輛定位76-77
• 5.4 車輛狀態(tài)預(yù)警77-80
• 5.5 本章小結(jié)80-81
• 第6章 行車輔助軟件與智能車硬件平臺81-91
• 6.1 引言81
• 6.2 軟件平臺81-87
• 6.2.1 軟件平臺構(gòu)建82-83
• 6.2.2 軟件平臺模塊及功能83-87
• 6.3 智能車實驗平臺87-88
• 6.4 攝像機(jī)安裝及標(biāo)定88-90
• 6.5 本章小結(jié)90-91
• 結(jié)論與展望91-93
• 參考文獻(xiàn)93-99
• 攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文99-101
• 致謝101

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 田炳香;鄭榜貴;吳晴;;高速公路車道線檢測與跟蹤算法研究[J];現(xiàn)代電子技術(shù);2008年09期

2 郭磊;李克強(qiáng);王建強(qiáng);連小珉;;應(yīng)用方向可調(diào)濾波器的車道線識別方法[J];機(jī)械工程學(xué)報;2008年08期

3 余厚云;張為公;;直線模型下的車道線跟蹤與車道偏離檢測[J];自動化儀表;2009年11期

4 余厚云;張為公;;基于動態(tài)感興趣區(qū)域的車道線識別與跟蹤[J];工業(yè)儀表與自動化裝置;2009年05期

5 劉富強(qiáng);張姍姍;朱文紅;李志鵬;;一種基于視覺的車道線檢測與跟蹤算法[J];同濟(jì)大學(xué)學(xué)報(自然科學(xué)版);2010年02期

6 高德芝;段建民;楊磊;楊喜寧;;應(yīng)用多階動態(tài)規(guī)劃的車道線識別方法[J];機(jī)械工程學(xué)報;2011年08期

7 徐后杰;李會方;繆國鋒;;基于單目視覺的車道線分離警告算法研究[J];微處理機(jī);2011年03期

8 劉振超;孔斌;王俊;黃俊杰;;水平亮度微分在車道線檢測中的使用[J];儀表技術(shù);2012年07期

9 高志峰;汪渤;周志強(qiáng);徐方芳;;一種魯棒的非平坦路面車道線檢測算法[J];北京理工大學(xué)學(xué)報;2013年01期

10 柴燦;郎朗;;嵌入式實時車道線偏移快速偵測算法及系統(tǒng)實現(xiàn)[J];新余學(xué)院學(xué)報;2014年04期

中國重要會議論文全文數(shù)據(jù)庫 前8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(shù)年會論文集[C];2007年

2 楊廣林;苗冬霜;;結(jié)構(gòu)化道路車道線檢測與跟蹤算法[A];2005年全國理論計算機(jī)科學(xué)學(xué)術(shù)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(xué)術(shù)會議論文集（第三分冊）[C];2013年

4 張潔穎;王生進(jìn);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(shù)與應(yīng)用進(jìn)展——第三屆圖像圖形技術(shù)與應(yīng)用學(xué)術(shù)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

7 劉天輝;李飛;;車輛視覺導(dǎo)航中道路檢測算法研究[A];第十一屆沈陽科學(xué)學(xué)術(shù)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(xué)與工程技術(shù)分冊）[C];2014年

8 孫曉軍;李華;;基于Facet模型的一種車道線提取方法[A];第八屆中國智能交通年會論文集[C];2013年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前5條

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

2 王俊;無人駕駛車輛環(huán)境感知系統(tǒng)關(guān)鍵技術(shù)研究[D];中國科學(xué)技術(shù)大學(xué);2016年

3 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(xué);2010年

4 沈\

本文編號：287770