隨著我國汽車工業(yè)的快速發(fā)展,私家車的保有量逐年攀升,方便出行的同時日益多發(fā)的道路交通事故對人們生命和財產(chǎn)安全也造成了重大危害。一般情況下,車輛的行駛狀況取決于駕駛員的狀態(tài)。在實際駕駛過程中,駕駛員獲取的絕大部分信息均來自于視覺,如果能很好地利用視覺傳感器理解路面環(huán)境,并與車輛本身的行車控制相結合,將大大提高交通安全,降低交通事故發(fā)生。從汽車誕生之初,人類就不斷完善汽車的各方面性能,在汽車動力性能不斷提升的情況下,安全問題日益突出。近些年計算機信息技術的迅猛發(fā)展為汽車工業(yè)開展新一輪的提高行車安全的革命帶來契機。本文的研究內容為基于視覺的行車路面附著等級判斷,核心思想是利用計算機視覺技術評估智能汽車前方行駛道路的附著狀態(tài)并給出判斷等級,即在識別可行駛范圍的前提下估計該區(qū)域內各個子區(qū)域的附著狀態(tài)。本文重點研究為在車載攝像機視頻圖像中估計路面不同區(qū)域的附著等級。文中分別對車道范圍識別、道路常見目標識別和路面圖像附著狀態(tài)分類進行了研究。在車道識別過程中,根據(jù)建立的車道識別數(shù)據(jù)集進行端到端的卷積神經(jīng)網(wǎng)絡訓練,得到能夠在行車視頻中識別本車道范圍的模型。通過一個降維的YOLO目標識別網(wǎng)絡識別路面中車輛... 

【文章頁數(shù)】：93 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 引言
    1.2 研究目的和意義
    1.3 國內外研究現(xiàn)狀和發(fā)展趨勢
        1.3.1 基于神經(jīng)網(wǎng)絡的視覺識別技術發(fā)展現(xiàn)狀
        1.3.2 路面附著率識別現(xiàn)狀
    1.4 主要研究內容與論文結構
第二章 基于OpenCV的相機參數(shù)標定與車道檢測
    2.1 車載相機成像原理
        2.1.1 透視投影
        2.1.2 坐標系及坐標變換
        2.1.3 畸變模型
    2.2 基于OpenCV的相機內部參數(shù)標定方法
    2.3 基于OpenCV的車道檢測
        2.3.1 檢測算法概述
        2.3.2 圖形預處理
        2.3.3 滑窗檢測
    2.4 本章小節(jié)
第三章 數(shù)據(jù)集建立與環(huán)境搭建
    3.1 路面材質圖像數(shù)據(jù)集
        3.1.1 路面材質獲取方案
        3.1.2 路面材質圖像采集
        3.1.3 路面材質圖像數(shù)據(jù)集構成
    3.2 人、車目標識別數(shù)據(jù)集
        3.2.1 人、車物體目標識別數(shù)據(jù)獲取方案
        3.2.2 人、車物體目標識別數(shù)據(jù)集構成
    3.3 車道邊界圖像數(shù)據(jù)集
        3.3.1 車道邊界獲取方案
        3.3.2 車道邊界圖像數(shù)據(jù)構成
    3.4 數(shù)據(jù)集建立方法
        3.4.1 數(shù)據(jù)集結構
        3.4.2 數(shù)據(jù)集格式轉換
    3.5 Nvidia Jetson開發(fā)板環(huán)境搭建
        3.5.1 板載系統(tǒng)配置
        3.5.2 Caffe環(huán)境搭建
    3.6 本章小結
第四章 路面附著狀態(tài)估計系統(tǒng)構建
    4.1 卷積神經(jīng)網(wǎng)絡原理
        4.1.1 卷積神經(jīng)網(wǎng)絡特點及基本構成
        4.1.2 卷積神經(jīng)網(wǎng)絡的傳播方式
    4.2 基于深度學習的車道檢測
        4.2.1 車道識別簡述
        4.2.2 基于深度學習的車道識別網(wǎng)絡結構
    4.3 基于深度學習的路面附著狀態(tài)估計網(wǎng)絡構建
    4.4 基于深度學習的路面目標識別
    4.5 基于深度學習的路面附著狀態(tài)估計系統(tǒng)構建
        4.5.1 系統(tǒng)結構
        4.5.2 流程控制
    4.6 本章小結
第五章 模型訓練與實驗結果
    5.1 基本原理
        5.1.1 網(wǎng)絡的損失
        5.1.2 梯度下降
        5.1.3 網(wǎng)絡稀疏
    5.2車道邊界識別模型訓練實驗
        5.2.1 車道識別模型訓練
        5.2.2 車道邊界識別實驗結果
    5.3 道路目標識別網(wǎng)絡識別結果
    5.4 路面附著狀態(tài)判斷系統(tǒng)實驗結果
        5.4.1 路面附著狀態(tài)分類訓練及系統(tǒng)識別結果
        5.4.2 路面附著狀態(tài)估計結果驗證實驗
    5.5 本章小結
第六章 總結與展望
    6.1 總結
    6.2 存在問題與展望
致謝
參考文獻
在學期間發(fā)表的論文和取得的學術成果


【參考文獻】：
期刊論文
[1]單目視覺下結構化車道實時檢測[J]. 胡忠闖,陳杰,顧兆倫,錢沄濤.  信號處理. 2017(04)
[2]一種基于幀間關聯(lián)的實時車道線檢測算法[J]. 李超,劉宏哲,袁家政,鄭永榮.  計算機科學. 2017(02)
[3]基于逆透視投影變換的圖像拼接方法[J]. 袁啟平,宋金澤,吳濤.  微計算機信息. 2010(21)
[4]基于單目視覺的區(qū)域交通智能車輛道路邊界檢測方法研究[J]. 游峰,王榮本,張榮輝,郭烈,徐建閩.  公路交通科技. 2008(06)
[5]基于車輪振動的路面實時識別研究[J]. 盧俊輝,巫世晶.  振動與沖擊. 2008(04)
[6]輪胎路面附著系數(shù)實時感應識別系統(tǒng)[J]. 韓建保,張魯濱,李邦國.  車輛與動力技術. 2005(02)
[7]高等級公路瀝青路面抗滑性能研究[J]. 張?zhí)m芳,費建國.  林業(yè)建設. 2004(02)
[8]輪胎與路面之間的摩擦和附著[J]. 王吉忠,顧善發(fā),宋年秀.  輪胎工業(yè). 2002(02)
[9]計算機視覺中攝像機定標綜述[J]. 邱茂林,馬頌德,李毅.  自動化學報. 2000(01)
[10]論輪胎與路面間的摩擦[J]. 王野平.  汽車技術. 1999(02)



本文編號：3688381