本文選題：智能車輛　切入點：車道線檢測　出處：《南京理工大學》2016年博士論文

【摘要】：智能車輛技術(shù)已成為近十多年來的研究熱點,其原因是智能車輛不僅在軍事上可作為一種靈活的武器平臺,而且在生活中也是一種給人們提供便捷和安全的系統(tǒng),比如無人駕駛汽車和高級駕駛員輔助系統(tǒng)(ADAS)。智能車輛是一個多領(lǐng)域交叉的學科方向,涉及機械、電子、控制、通訊、傳感器,信息處理等多個門類,其中,信息處理是體現(xiàn)智能化程度的關(guān)鍵,而基于單目視覺的行車安全信息檢測與識別問題又是信息處理的核心問題,也是瓶頸問題之所在,因為環(huán)境的復(fù)雜性和多樣性給這一問題帶來了巨大的挑戰(zhàn)。本文針對這一問題展開研究,具體分析、研究和解決其中的車道線檢測、道路檢測、盲區(qū)車輛檢測和車輛防撞方法中存在的問題和不足,以期進一步提升智能車輛的智能化程度和安全性。論文主要內(nèi)容包括:針對結(jié)構(gòu)化和半結(jié)構(gòu)化道路中現(xiàn)有車道線檢測方法沒有專門考慮弱線檢測的問題,提出了兩種模型,其中模糊LDA增強模型用于提升車道線區(qū)域的對比度,另一個亮度對比度顯著性模型可用于魯棒的車道線區(qū)域提取。然后,將兩種模型應(yīng)用于車道線檢測,提出了一種兩階段的車道線檢測方法:第一階段使用亮度對比度顯著性模型提取車道線,并進行車道線和道路樣本點的選取;第二階段利用模糊LDA增強模型對道路圖像進行顏色空間轉(zhuǎn)換,得到一個突出車道線的高對比度增強圖像,并再次使用亮度對比度顯著性模型對增強后的圖像中進行車道線提取,最后使用基于Hough與逆投影變換驗證車道線的提取結(jié)果。實驗結(jié)果表明,該方法能有效提高弱線的檢測率。針對半結(jié)構(gòu)化和非結(jié)構(gòu)化道路檢測的魯棒性不高問題,提出了一種基于稀疏表示與方差鑒別性模型的道路檢測方法。該方法利用已標記的道路圖像樣本,通過學習得到道路形狀字典,進而使用稀疏表示獲得路面圖像的表示系數(shù);通過表示系數(shù)的參數(shù)分布獲得道路形狀先驗信息;采用方差鑒別性模型分析非路區(qū)域和道路區(qū)域的顏色特征分布的鑒別性;通過基于方差最大化鑒別性準則尋找易于道路區(qū)域分割的顏色通道,最后在該通道上實現(xiàn)道路的分割,在標準庫和自建庫上的實驗證明了所提方法的準確性和魯棒性。針對盲區(qū)車輛檢測中存在的車型多樣、形狀畸變、尺寸變化等難點問題,提出了一種基于PCA-SOM-Net的盲區(qū)車輛檢測方法。該方法就PCANet產(chǎn)生的特征維數(shù)高的問題,在PCANet中加入的自組織映射網(wǎng)絡(luò)(SOM)進行特征聚類,并將第一層輸出也引入到最后的特征表示中,得到了改進的PCANet模型—PCA-SOM-Net,該模型在有效減少PCANet特征維數(shù)的同時,保留了 PCANet特征的有效性�；赑CA-SOM-Net模型,設(shè)計了一種盲區(qū)車輛檢測方法,該方法首先采用基于路面灰度統(tǒng)計對車輛區(qū)域進行粗提取;進一步通過典型車輛特征進行精篩選,最后利用PCA-SOM-Net提取出的特征和SVM分類器對候選區(qū)域進行確認。實驗表明,所提方法能夠很好檢測盲區(qū)中的車輛,對車輛的形狀畸變、尺寸變化不敏感。針對車輛的防撞預(yù)警問題,提出了一種基于單目視覺的車輛碰撞模型。該模型通過提取多幀圖像中車輛底部到消失點的距離信息,刻畫幀間圖像的目標尺寸變化規(guī)律,從而通過計算分析目標車輛的運動規(guī)律,并估算出兩車間的碰撞時間,以達到對駕駛員的警示目的。與雷達實測數(shù)據(jù)的結(jié)果對比實驗證明,本文方法可以很好地達到碰撞時間估算要求,具有較好的實用性與準確性。最后,設(shè)計了一個用于驗證所提算法有效性的行車安全信息檢測與識別系統(tǒng),給出了詳細的硬件設(shè)計方案,軟件流程圖以及綜合實驗結(jié)果,有力地體現(xiàn)了所提算法的綜合性能。
[Abstract]:Intelligent vehicle technology has become a hot spot for more than ten years . The reason is that intelligent vehicle is not only a kind of flexible weapon platform in military , but also a kind of convenient and safe system , such as unmanned automobile and high - level driver assistant system ( ADAS ) . Based on PCA - SOM - Net model , this paper designs a vehicle collision model based on monocular vision .

【學位授予單位】：南京理工大學
【學位級別】：博士
【學位授予年份】：2016
【分類號】：U463.6;TP391.41

【參考文獻】

相關(guān)期刊論文 前10條

1 Wen-hui ZUO;Tuo-zhong YAO;;Road model prediction based unstructured road detection[J];Journal of Zhejiang University-Science C(Computers and Electronics);2013年11期

2 華莉琴;許維;王拓;馬瑞芳;胥博;;采用改進的尺度不變特征轉(zhuǎn)換及多視角模型對車型識別[J];西安交通大學學報;2013年04期

3 高慶吉;張磊;;基于交叉視覺皮質(zhì)模型的非結(jié)構(gòu)化道路檢測算法[J];電子學報;2011年10期

4 胡彬;趙春霞;;基于概率霍夫變換的快速車道線檢測方法[J];微電子學與計算機;2011年10期

5 李宏海;劉冬梅;王晶;;日本VICS系統(tǒng)的發(fā)展介紹[J];交通標準化;2011年15期

6 樂丹怡;吳金洪;李秋苓;盧娜;;汽車視覺盲區(qū)預(yù)測及解決方案[J];科技創(chuàng)新導(dǎo)報;2011年20期

7 盧瑜;;基于低分辨率單目視覺的非結(jié)構(gòu)化道路檢測算法[J];計算機工程與設(shè)計;2010年18期

8 夏庭鍇;楊明;楊汝清;;基于單目視覺的移動機器人導(dǎo)航算法研究進展[J];控制與決策;2010年01期

9 管欣;賈鑫;高振海;;車道檢測中感興趣區(qū)域選擇及自適應(yīng)閾值分割[J];公路交通科技;2009年06期

10 張闖;柏連發(fā);張毅;張保民;;單通道雙譜夜視系統(tǒng)中的光譜匹配及濾光技術(shù)[J];光子學報;2007年09期

，

本文編號：1708312