發(fā)布時間：2018-06-08 23:32

  本文選題：智能車輛 + 機器視覺��； 參考：《吉林大學》2017年碩士論文

【摘要】：交通一直是人類生活中不可或缺的一部分,伴隨著人類生活的方方面面。隨著人口總數(shù)增加,出行量不斷變大、交通壓力日益增加、交通事故發(fā)生數(shù)量也逐年上升。伴隨著人工智能科技的不斷突破,人們渴望智能交通的出現(xiàn)會給行人出行帶來更安心的保障,因此智能交通也給智能汽車的研發(fā)和商業(yè)化帶來了強勁的動力,成為不可逆轉(zhuǎn)的大潮趨勢。人們因此有望在未來真正的解放緊握方向盤的雙手,來享受智能駕駛帶來的安全體驗。本文結(jié)合某預研項目,定位于面向智能汽車智能輔助駕駛系統(tǒng)環(huán)境感知中的目標識別領域,針對當前智能車輛輔助駕駛系統(tǒng)環(huán)境感知中目標識別存在的漏檢與誤檢問題,對基于支持向量機(以下簡稱SVM)分類器的車輛目標和行人目標等研究內(nèi)容進行了識別研究,并對基于單目視覺的前方運動目標距離進行了理論及試驗研究,具體研究內(nèi)容和結(jié)論如下:首先,闡述了智能車輛的研究現(xiàn)狀、發(fā)展趨勢、研究成果、政策方針等相關內(nèi)容,接著目標識別中機器視覺應用的必要性和廣泛性進行探討,概述了研究背景及意義,并確定了本文的關鍵技術和研究內(nèi)容,進而據(jù)此進行了章節(jié)撰寫安排。其次,對圖像目標識別技術進行了相關理論研究。對比分析了兩種典型機器視覺傳感器,確定以CCD攝像機作為本文的研究對象;并對圖像灰度化、圖像灰度增強、圖像濾波、圖像形態(tài)學等圖像預處理技術進行了研究;同時對基于機器學習的目標識別技術進行了研究,確定本文研究中采用適用于大量樣本數(shù)據(jù)集情況下的支持向量機算法。接著,對車輛及行人的特征提取識別技術進行了相關理論研究。概述了特征的概念及其在目標識別過程中所起到的功用;闡釋了邊緣特征、Hough特征、Surf特征、顏色特征、紋理特征等典型圖像特征,重點對HOG特征進行了研究和分析;然后對SVM支持向量機的原理及基本算法進行了研究,確定了基于樣本HOG特征信息的車輛目標識別方法及基于樣本DPM特征信息的行人目標識別方法。然后,對基于機器視覺的前方車輛距離測量進行了相關研究。比較分析了常用測距傳感器的特點,提出了采用基于機器學習的單目視覺距離測量方案;同時對攝像機進行了標定研究,在張氏標定原理基礎上,提出了自標定算法的設想;進行基于小孔成像原理的逆過程,根據(jù)圖像質(zhì)心像素坐標和攝像機標定內(nèi)外參數(shù),推導出單目視覺距離測量方程,構(gòu)建了基于機器視覺的前方車輛距離測量模型。最后,結(jié)合前期相關理論研究對研究課題進行了試驗驗證研究。一方面對車輛目標識別進行了試驗驗證研究,通過與實景道路環(huán)境目標試驗對比,驗證了基于多核核函數(shù)優(yōu)化的車輛目標識別SVM分類器的有效性和準確性;另一方面對行人目標識別進行了試驗驗證研究,通過與實景道路環(huán)境目標試驗對比,驗證了基于改進HOG特征的行人目標識別可變形部件模型特征(以下簡稱DMP)分類器的有效性和準確性;此外,還對基于機器視覺的前方車輛距離測量進行了試驗測試,驗證了單目視覺距離測量模型的有效性和準確性。本文對智能車輛中環(huán)境感知關鍵技術的研究進行了有益的嘗試,其研究成果對于提高識別道路運動目標,改善漏檢和誤檢的識別現(xiàn)象具有一定的現(xiàn)實意義,對于智能車輛環(huán)境感知技術中機器視覺技術的應用與推廣也有一定的理論和參考價值。
[Abstract]:Traffic has always been an integral part of human life, with all aspects of human life. With the increase of the population, the volume of travel is increasing, traffic pressure is increasing, and the number of traffic accidents is increasing year by year. With the continuous breakthrough of artificial intelligence technology, people are eager for the appearance of intelligent traffic to travel to pedestrians. It brings more security, so intelligent transportation has also brought strong impetus to the development and commercialization of smart cars. It has become an irreversible trend. It is hopeful that in the future, the real liberation of the hands of the steering wheel will be held to enjoy the safety test brought by intelligent driving. In the field of target recognition in intelligent vehicle driving system environment perception, the research content of vehicle target and pedestrian target based on support vector machine (hereinafter referred to as SVM) classifier is identified and researched in view of the problem of missing and mischecking of target recognition in the environment perception of intelligent vehicle auxiliary driving system. The theoretical and Experimental Research on the distance of moving target in front of monocular vision is carried out. The contents and conclusions are as follows: firstly, the research status, development trend, research results, policy and policy of intelligent vehicles are expounded, and then the necessity and universality of the application of machine vision in target recognition are discussed, and the research background is summarized. The key technology and research content of this paper are determined, and then the chapters are arranged. Secondly, the theory of image target recognition is studied. Two typical machine vision sensors are compared and analyzed. The CCD camera is selected as the research object of this paper, and the image grayscale and image gray enhancement are enhanced. The technology of image preprocessing, such as image filtering and image morphology, is studied. At the same time, the technology of target recognition based on machine learning is studied. The support vector machine algorithm is used in this study, which is suitable for a large number of sample data sets. Then, the related theory of feature extraction and recognition for vehicles and pedestrians is carried out. The concept of feature and its function in the process of target recognition are summarized. The typical features such as edge features, Hough features, Surf features, color features and texture features are explained, and the features of HOG are studied and analyzed. Then, the principle and basic algorithms of SVM support vector machines are studied, and the basis is determined. The vehicle target recognition method with sample HOG feature information and the method of pedestrian target recognition based on the sample DPM feature information. Then, the relative research on the distance measurement of the vehicle based on machine vision is carried out. The characteristics of the common range sensor are compared and analyzed, and a single eye vision distance measurement scheme based on machine learning is proposed. The camera is calibrated and the self calibration algorithm is proposed on the basis of the principle of Zhang's calibration. The inverse process based on the principle of small hole imaging is carried out. According to the pixel coordinates of the image center and the camera calibration and the inside and outside parameters, the monocular vision distance measurement equation is derived, and the distance measurement in front of the vehicle based on the machine vision is constructed. On the one hand, the test verification of vehicle target recognition is carried out, and the validity and accuracy of the SVM classifier based on multi kernel kernel function optimization is verified by comparison with the real road environment target test; the other party is proved to be effective and accurate. In the face of pedestrian target recognition, experimental verification is carried out. By comparing with the actual road environment target test, the validity and accuracy of the deformable component model feature (hereinafter referred to as DMP) classifier based on improved HOG features is verified. In addition, the test of vehicle distance based on machine vision is also tested. The test results verify the validity and accuracy of the monocular vision distance measurement model. This paper makes a useful attempt to study the key technologies of environmental perception in intelligent vehicles. The research results have some practical significance for improving the recognition of road moving targets and improving the identification of leakage and misdiagnosis. The application and promotion of machine vision technology in knowledge technology also has certain theoretical and reference value.
【學位授予單位】：吉林大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：U463.6;U495;TP391.41

【相似文獻】

相關期刊論文 前10條

1 楊建勛,史朝輝;基于模糊綜合函數(shù)的目標識別融合算法研究[J];火控雷達技術;2004年04期

2 左崢嶸,張?zhí)煨?集成證據(jù)提高目標識別性能的方法研究[J];華中科技大學學報(自然科學版);2005年03期

3 李彥鵬,黎湘,莊釗文;一種應用模糊聚類分析的目標識別效果評估方法[J];電子對抗技術;2005年03期

4 蓋明久;呂世良;時寶;;一種概率更新方法及在目標識別中的應用[J];海軍航空工程學院學報;2006年05期

5 張平定;王海軍;王睿;;一種基于聚類思想的目標識別新方法[J];空軍工程大學學報(自然科學版);2006年02期

6 李靜;黃崢;;靜態(tài)傅里葉干涉具在目標識別中的應用研究[J];光譜學與光譜分析;2009年08期

7 王丹;韓惠蕊;田淞;臧雪柏;宋炳強;;基于tree part-based模型的目標識別和定位[J];吉林大學學報(工學版);2012年S1期

8 張茂雍;車輛目標識別裝置[J];國外自動化;1982年04期

9 E·D·梅塞;箭隆;;雷達的目標識別[J];國外艦船技術.雷達與對抗;1986年02期

10 郭定，，朱祖祥;提示引導空間注意對范疇目標識別影響的研究[J];人類工效學;1995年02期

相關會議論文 前10條

1 王宇;鐘秋海;;用統(tǒng)計模式識別方法建立海上目標識別的數(shù)學模型[A];1995中國控制與決策學術年會論文集[C];1995年

2 鄭援;胡成軍;;基于數(shù)據(jù)融合的魚雷目標識別[A];第十四屆全國信號處理學術年會(CCSP-2009)論文集[C];2009年

3 李夕海;趙克;慕曉冬;劉代志;;目標識別中的特征相空間吸引子分析[A];第十屆全國信號處理學術年會（CCSP-2001）論文集[C];2001年

4 馮杰;蓋強;古軍峰;;模糊聚類分析方法在海上目標識別中的應用[A];第二屆全國信息獲取與處理學術會議論文集[C];2004年

5 趙克;劉代志;慕曉東;蘇娟;;目標識別的特征量約束[A];第九屆全國信號處理學術年會（CCSP-99）論文集[C];1999年

6 李正東;陳興無;宋琛;何武良;;多傳感器的目標識別[A];中國工程物理研究院科技年報（1999）[C];1999年

7 郭相科;劉進忙;曹學斌;張玉鵬;;子類獨立分量分析在聲目標識別中的應用[A];中國聲學學會2007年青年學術會議論文集（上）[C];2007年

8 張翠;高廣春;趙勝穎;;基于時間融合算法的近程目標識別[A];2011下一代自動測試系統(tǒng)學術研討會論文集[C];2011年

9 俞鴻波;趙榮椿;;三維空間目標識別概述[A];信號與信息處理技術——第一屆信號與信息處理聯(lián)合學術會議論文集[C];2002年

10 曹健;陳紅倩;毛典輝;李海生;蔡強;;基于局部特征的圖像目標識別問題綜述[A];2013年中國智能自動化學術會議論文集（第五分冊）[C];2013年

相關重要報紙文章 前2條

1 莫衍崴 特約記者劉謙;上士白光斌:電話傳音排故障[N];戰(zhàn)士報;2012年

2 陳德潮邋本報特約通訊員 曹金平 劉劍;為潛艇鑄“魂”[N];解放軍報;2008年

相關博士學位論文 前10條

1 肖永生;射頻隱身雷達信號設計與目標識別研究[D];南京航空航天大學;2014年

2 崔宗勇;合成孔徑雷達目標識別理論與關鍵技術研究[D];電子科技大學;2015年

3 丁軍;基于稀疏理論的SAR圖像目標識別研究[D];西安電子科技大學;2015年

4 韓靜;基于仿生視覺模型和復雜信息學習的多光譜夜視目標識別技術[D];南京理工大學;2014年

5 黃璇;多源引導信息融合及其關鍵技術研究[D];中國科學院研究生院(長春光學精密機械與物理研究所);2016年

6 寧宣杰;基于空防雷達網(wǎng)絡的多傳感器信息融合關鍵技術研究及其應用[D];東北大學;2014年

7 楊松巖;高頻波段雷達目標特征提取與識別方法研究[D];哈爾濱工業(yè)大學;2016年

8 張學峰;雷達高分辨距離像目標識別與拒判方法研究[D];西安電子科技大學;2015年

9 李西平;塔機超聲安全預警目標識別的神經(jīng)網(wǎng)絡方法研究[D];西安建筑科技大學;2015年

10 舒銳;衛(wèi)星目標識別與特征參數(shù)提取方法研究[D];哈爾濱工業(yè)大學;2010年

相關碩士學位論文 前10條

1 許俊峰;基于模型的任意視點下三維目標識別研究[D];南京航空航天大學;2015年

2 李建;毫米波輻射計目標識別性能測試系統(tǒng)研究[D];南京理工大學;2015年

3 陳晨;紅外/毫米波復合信號處理方法及電路設計[D];南京理工大學;2015年

4 王玉君;基于遠紅外熱像儀的地面機動目標識別[D];沈陽理工大學;2015年

5 姚國偉;基于高分辨距離像的艦船目標識別研究[D];哈爾濱工業(yè)大學;2015年

6 周偉峰;基于神經(jīng)網(wǎng)絡的單目機器人目標識別定位研究[D];安徽工程大學;2015年

7 譚敏潔;基于壓縮感知的雷達一維距離像目標識別[D];電子科技大學;2015年

8 王翔;基于局部神經(jīng)反應的目標識別研究[D];華中師范大學;2015年

9 劉巍;基于非均勻采樣圖像的目標識別與跟蹤算法研究[D];北京理工大學;2015年

10 田兵兵;基于核函數(shù)的SAR圖像目標識別研究[D];電子科技大學;2015年

本文編號：1997707