本文關(guān)鍵詞：安全駕駛輔助系統(tǒng)若干問題的分析與研究

  更多相關(guān)文章： 駕駛輔助系統(tǒng) Catmull-Rom 類Haar特征 Adaboost算法 HOG SVM

【摘要】：駕駛輔助系統(tǒng)作為車輛行駛安全的輔助系統(tǒng),能夠有效減少由于駕駛員注意力不集中帶來的安全事故。目標檢測作為駕駛輔助系統(tǒng)的關(guān)鍵技術(shù)和研究方向,已經(jīng)引起了國內(nèi)外諸多部門、企業(yè)、學校的高度重視,并取得了一定的研究成果。目前,視覺傳感器的價格便宜,并且安裝方便,對駕駛員的視線影響較少,所以基于機器視覺的駕駛輔助系統(tǒng)的研究是一個熱門的研究方向。本文以駕駛輔助系統(tǒng)的分析與研究為研究課題,重點研究了車道線檢測算法、車輛檢測算法以及行人檢測算法,主要做了以下幾個工作:(1)針對車道線檢測,結(jié)合Hough變換與Catmull-Rom樣條曲線的車道線檢測方法。對于車道線為直線的模型,可以使用Hough變換快速檢測出直線,但是對于彎曲的車道線,研究較少。本文結(jié)合兩種算法,對于近端的車道線,可以近似為直線,采用Hough變換檢測直線,對于遠端彎曲的車道線,采用Catmull-Rom樣條曲線檢測,能夠很好的描述車道線信息,同時為了減少視頻后續(xù)幀圖像的檢測,采用Kalman濾波跟蹤近端車道線。(2)針對車輛檢測,本文研究及實現(xiàn)了一種基于Haar-like矩形特征的實時道路車輛識別方法。在已有研究的基礎(chǔ)上,分析了Haar-like矩形特征的組成形式以及利用積分圖像法快速計算矩形特征的方法。由于原有特征中不存在單個矩形組成的特征,本文采用了用單一矩形組成的特征代表車輛底部陰影區(qū)域,并選用Adaboost算法訓練強分類器。(3)針對行人檢測,本文對傳統(tǒng)的梯度方向直方圖HOG特征提取方法進行改進,提出了一種基于多通道特征提取的加權(quán)HOG特征融合方法。采用自適應(yīng)加權(quán)法將H、S、V三通道的梯度方向直方圖HOG特征融合成多通道融合HOG特征,最后采用支持向量機SVM對融合后的特征進行行人分類器訓練和行人檢測。
【關(guān)鍵詞】：駕駛輔助系統(tǒng) Catmull-Rom 類Haar特征 Adaboost算法 HOG SVM
【學位授予單位】：南京郵電大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：U463.6
【目錄】：

• 摘要4-5
• Abstract5-8
• 第一章 緒論8-13
• 1.1 研究工作的背景與意義8-9
• 1.2 國外研究現(xiàn)狀9-11
• 1.3 國內(nèi)研究現(xiàn)狀11
• 1.4 論文的結(jié)構(gòu)安排11-13
• 第二章 車道線檢測13-30
• 2.1 道路圖像預處理14-17
• 2.1.1 灰度圖像14
• 2.1.2 圖像噪聲濾除14-16
• 2.1.3 背景減除16-17
• 2.2 基于霍夫變換的近端車道線檢測17-19
• 2.3 基于權(quán)值聚類的消失點檢測19-21
• 2.4 基于Catmull-Rom樣條曲線的遠端車道線檢測21-23
• 2.4.1 Catmull-Rom樣條曲線21-22
• 2.4.2 遠端車道線檢測22-23
• 2.5 基于Kalman濾波的車道線跟蹤算法23-28
• 2.5.1 Kalman濾波的基本原理24-25
• 2.5.2 基于Kalman濾波確定感興趣域25-27
• 2.5.3 跟蹤算法中消失點的檢測27-28
• 2.6 實驗結(jié)果28-29
• 2.7 本章小結(jié)29-30
• 第三章 車輛檢測30-37
• 3.1 Haar-like特征30-31
• 3.2 積分圖31-32
• 3.3 基于Adaboost的車輛檢測方法32-34
• 3.4 實驗結(jié)果34-36
• 3.4.1 訓練樣本庫34-35
• 3.4.2 實驗結(jié)果與分析35-36
• 3.5 本章小結(jié)36-37
• 第四章 行人檢測37-52
• 4.1 HOG特征提取38-44
• 4.1.1 圖像預處理38-39
• 4.1.2 梯度計算39-41
• 4.1.3 梯度方向直方圖統(tǒng)計41
• 4.1.4 特征值歸一化41-42
• 4.1.5 HOG積分圖42-44
• 4.2 多通道融合特征44-45
• 4.3 線性分類器45-46
• 4.4 基于HOG特征的SVM學習方法46-47
• 4.5 檢測窗口掃描47-49
• 4.6 實驗結(jié)果49-50
• 4.6.1 訓練樣本庫49
• 4.6.2 實驗結(jié)果與分析49-50
• 4.7 本章小結(jié)50-52
• 第五章 駕駛輔助系統(tǒng)在其他領(lǐng)域的應(yīng)用52-56
• 5.1 無人駕駛研究領(lǐng)域52-53
• 5.1.1 障礙物檢測52
• 5.1.2 道路檢測52-53
• 5.2 在智能交通領(lǐng)域53-56
• 5.2.1 車流量統(tǒng)計53-54
• 5.2.2 公交車人數(shù)數(shù)量統(tǒng)計54
• 5.2.3 專用道非法占道抓拍54-56
• 第六章 總結(jié)與展望56-58
• 6.1 本文小結(jié)56-57
• 6.2 研究展望57-58
• 參考文獻58-61
• 致謝61

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 馬鈞;曹靜;;基于中國市場特定需求的汽車先進駕駛輔助系統(tǒng)發(fā)展趨勢研究[J];農(nóng)業(yè)裝備與車輛工程;2012年03期

2 馬鈞;曹靜;;基于中國市場特定需求的汽車先進駕駛輔助系統(tǒng)發(fā)展趨勢研究[J];上海汽車;2012年04期

3 劉春暉;張文;;2011款途銳駕駛輔助系統(tǒng)解析(中)[J];汽車維修與保養(yǎng);2013年01期

4 姚永平;汽車智能駕駛輔助系統(tǒng)新技術(shù)[J];汽車與安全;2002年10期

5 曉洲;德國加速開發(fā)汽車高科技駕駛輔助系統(tǒng)[J];世界汽車;2001年01期

6 曉 洲;德國加速開發(fā)高科技汽車駕駛輔助系統(tǒng)[J];安全與健康;2002年04期

7 金娜;劉衛(wèi)國;蔡長龍;徐均琪;;車輛夜間駕駛輔助系統(tǒng)設(shè)計[J];西安工業(yè)大學學報;2007年06期

8 楊靖磊;;國內(nèi)外重型車輛駕駛輔助系統(tǒng)應(yīng)用現(xiàn)狀[J];科技傳播;2010年07期

9 ;到2020年將有三分之一的汽車集成節(jié)能導航系統(tǒng)[J];今日電子;2010年06期

10 鄧軍;夏林平;;保駕護航的智能駕駛輔助系統(tǒng)[J];現(xiàn)代零部件;2012年09期

中國重要會議論文全文數(shù)據(jù)庫 前1條

1 陳效華;孫銳;陳軍;;基于FPGA的車道偏離報警系統(tǒng)關(guān)鍵技術(shù)研究[A];面向未來的汽車與交通——2013中國汽車工程學會年會論文集精選[C];2013年

中國重要報紙全文數(shù)據(jù)庫 前6條

1 記者倪永華;德國啟用智能駕駛輔助系統(tǒng)[N];科技日報;2002年

2 吳英;本田研發(fā)新型駕駛輔助系統(tǒng)[N];科技日報;2014年

3 本報記者 何侖;奧迪未來駕駛輔助系統(tǒng)揭秘[N];國際商報;2011年

4 本報記者 趙三明;“僅僅關(guān)注汽車技術(shù)是遠遠不夠的”[N];中國工業(yè)報;2009年

5 羅清岳;主動型汽車安全輔助技術(shù)[N];電子資訊時報;2007年

6 記者倪永華;德國著手建立司機行車模型[N];科技日報;2002年

中國博士學位論文全文數(shù)據(jù)庫 前2條

1 胡三根;面向駕駛輔助系統(tǒng)的車輛行駛安全預警模型研究[D];華南理工大學;2016年

2 張磊;基于駕駛員特性自學習方法的車輛縱向駕駛輔助系統(tǒng)[D];清華大學;2009年

中國碩士學位論文全文數(shù)據(jù)庫 前8條

1 張磊磊;安全駕駛輔助系統(tǒng)若干問題的分析與研究[D];南京郵電大學;2016年

2 李杰;公路旅客運輸定線路安全駕駛輔助系統(tǒng)研究[D];長安大學;2007年

3 劉浩;列車駕駛輔助系統(tǒng)研究[D];北京交通大學;2014年

4 韓永剛;先進駕駛輔助系統(tǒng)之行人檢測系統(tǒng)[D];西安電子科技大學;2014年

5 趙徹;基于機器視覺的汽車駕駛輔助系統(tǒng)研究[D];長春理工大學;2014年

6 劉旭;基于紅外熱像技術(shù)的安全駕駛輔助系統(tǒng)研究[D];西安工程大學;2015年

7 聶林浩;基于數(shù)據(jù)挖掘的汽車多地形可選駕駛輔助系統(tǒng)MTS的研究與實現(xiàn)[D];湖北大學;2012年

8 陳睞;基于駕駛模擬器的橫向駕駛輔助試驗系統(tǒng)[D];清華大學;2012年

，

本文編號：632595