多年來(lái),隨著交通事故在世界各地變得越來(lái)越嚴(yán)重,對(duì)智能車的研究已成為智能交通領(lǐng)域的一個(gè)重要研究課題。我們利用智能車的自主駕駛或半自主駕駛的功能來(lái)實(shí)現(xiàn)安全,舒適和節(jié)約能源的目的。在現(xiàn)有環(huán)境感知算法中,基于機(jī)器視覺的環(huán)境感知算法因能提供障礙物大小和位置的信息而具有無(wú)可比擬的優(yōu)勢(shì)。對(duì)車前障礙物進(jìn)行自動(dòng)地實(shí)時(shí)檢測(cè)對(duì)于保持安全車距、防止碰撞事故的發(fā)生有十分重要的意義。本文主要研究?jī)?nèi)容為以下四方面:1.車輛道路區(qū)域檢測(cè)。在智能車輛視覺導(dǎo)航系統(tǒng)中,對(duì)行駛的道路進(jìn)行檢測(cè)的目的主要為兩方面,一是為了估計(jì)車輛在道路中的方向和位置從而來(lái)控制車輛按預(yù)定的路線行駛。二是為后續(xù)的障礙物檢測(cè)縮小搜索范圍以降低算法復(fù)雜度和誤識(shí)率,提高后續(xù)算法的運(yùn)算速率。為了提取出智能車在非結(jié)構(gòu)化道路環(huán)境中可行駛的區(qū)域,本文提出了一種基于紋理特征的算法來(lái)分割出非結(jié)構(gòu)化道路中可行的道路區(qū)域。首先,為了提取出車道中車轍印對(duì)應(yīng)的紋理特征,通過(guò)選取2個(gè)頻率8個(gè)方向的Gabor模板對(duì)圖像進(jìn)行變換分析,得到各個(gè)像素點(diǎn)的紋理強(qiáng)度以及方向特征,利用其方向特征值對(duì)候選消失點(diǎn)進(jìn)行投票,得票最高點(diǎn)即道路消失點(diǎn),然后提取出有效投票區(qū)域中的直線斜率,建立通過(guò)消失點(diǎn)的直線方程來(lái)劃分出可行的道路區(qū)域。實(shí)驗(yàn)表明,該算法在強(qiáng)光照以及夜間場(chǎng)景下可有效地分割出可行的道路區(qū)域,并且不受陰影的影響。2.車前方障礙物檢測(cè)。障礙物檢測(cè)的準(zhǔn)確性關(guān)系到智能車輛行駛的安全性,由于障礙物的出現(xiàn)具有不可預(yù)知性和不確定性,所以只能在車輛行駛過(guò)程中及時(shí)發(fā)現(xiàn)并及時(shí)處理。因此,本文提出一種對(duì)SIFT特征點(diǎn)聚類的障礙物檢測(cè)方法,首先對(duì)圖像進(jìn)行ROI區(qū)域提取,通過(guò)對(duì)ROI區(qū)域進(jìn)行水平與垂直邊緣檢測(cè)得到障礙物可能存在的圖像區(qū)域,計(jì)算每個(gè)區(qū)域的圖像熵值后篩除不存在障礙物的區(qū)域,對(duì)剩下存在障礙物的區(qū)域進(jìn)行SIFT特征點(diǎn)提取,通過(guò)對(duì)特征點(diǎn)進(jìn)行K均值聚類從而得到障礙物精確定位。3.基于視頻圖像的障礙物跟蹤。為了基于視頻圖像實(shí)時(shí)地檢測(cè)到障礙物的位置,本文提出了一種將SIFT特征點(diǎn)匹配與Kalman濾波跟蹤相結(jié)合的跟蹤算法來(lái)實(shí)現(xiàn)障礙物目標(biāo)的跟蹤,實(shí)驗(yàn)結(jié)果表明本文提出的檢測(cè)方法無(wú)論視頻對(duì)象中有一個(gè)目標(biāo)或是多個(gè)目標(biāo)都適用,并且在一個(gè)目標(biāo)到多個(gè)目標(biāo)和多個(gè)目標(biāo)到一個(gè)目標(biāo)變換的情況下同樣適用。4.單目視覺測(cè)距。單目視覺測(cè)距因?yàn)檫\(yùn)算速率很快,并且構(gòu)造簡(jiǎn)單而具有廣闊的應(yīng)用遠(yuǎn)景。本文首先介紹了單目視覺標(biāo)定的基本理論,經(jīng)過(guò)實(shí)驗(yàn)對(duì)比最終選擇了指數(shù)型函數(shù)來(lái)完成對(duì)圖像中障礙物的擬合測(cè)距。
【學(xué)位單位】：吉林大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2016
【中圖分類】：U463.6;TP391.41
【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究的背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 國(guó)外研究現(xiàn)狀
        1.2.2 國(guó)內(nèi)研究現(xiàn)狀
    1.3 車方前障礙物檢測(cè)算法的研究方法
    1.4 本文主要研究?jī)?nèi)容及章節(jié)安排
        1.4.1 本文主要研究?jī)?nèi)容
        1.4.2 本文章節(jié)安排
第2章 圖像采集與預(yù)處理
    2.1 圖像灰度化及二值化
    2.2 圖像濾波
    2.3 圖像邊緣提取
    2.4 圖像形態(tài)學(xué)描述
    2.5 本章小結(jié)
第3章 車輛道路區(qū)域檢測(cè)
    3.1 結(jié)構(gòu)化道路線檢測(cè)
        3.1.1 霍夫變換
        3.1.2 車道線篩選
    3.2 非結(jié)構(gòu)化道路區(qū)域分割
        3.2.1 紋理特征提取
        3.2.2 消失點(diǎn)檢測(cè)
        3.2.3 道路區(qū)域分割
    3.3 本章小結(jié)
第4章 車前方障礙物檢測(cè)
    4.1 障礙物初步定位
        4.1.1 ROI區(qū)域提取
        4.1.2 圖像水平與垂直邊緣檢測(cè)
        4.1.3 圖像熵判定是否存在障礙物
    4.2 障礙物精確定位
        4.2.1 SIFT特征點(diǎn)提取
        4.2.2 基于K均值聚類的目標(biāo)檢測(cè)方法
    4.3 本章小結(jié)
第5章 基于視頻圖像的障礙物跟蹤
    5.1 基于加權(quán)時(shí)空上下文的視覺跟蹤算法
    5.2 Kalman濾波預(yù)測(cè)目標(biāo)位置
        5.2.1 Kalman濾波的基本原理
        5.2.2 預(yù)測(cè)障礙物位置
    5.3 SIFT特征匹配與Kalman濾波結(jié)合的跟蹤算法
        5.3.1 目標(biāo)模板建立與更新
        5.3.2 目標(biāo)模板匹配
        5.3.3 視頻圖像檢測(cè)實(shí)驗(yàn)結(jié)果
    5.4 本章小結(jié)
第6章 單目視覺測(cè)距
    6.1 單幀靜態(tài)圖像的測(cè)距模型
    6.2 攝像機(jī)內(nèi)外參數(shù)標(biāo)定
    6.3 擬合法測(cè)距
    6.4 本章小結(jié)
第7章 總結(jié)和展望
    7.1 全文總結(jié)
    7.2 存在的不足和展望
參考文獻(xiàn)
作者簡(jiǎn)介及科研成果
致謝

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊素華,趙文龍,陳思平,江少鋒;基于球空間極近距離障礙物的超聲檢測(cè)方法[J];南昌航空工業(yè)學(xué)院學(xué)報(bào)(自然科學(xué)版);2004年04期

2 項(xiàng)志宇;;針對(duì)越野自主導(dǎo)航的障礙物檢測(cè)系統(tǒng)[J];東南大學(xué)學(xué)報(bào)(自然科學(xué)版);2005年S2期

3 謝斌;項(xiàng)志宇;潘華東;劉濟(jì)林;;基于偏振信息的水體障礙物檢測(cè)方法[J];浙江大學(xué)學(xué)報(bào)(工學(xué)版);2007年11期

4 朱云芳;王貽術(shù);杜歆;;靜態(tài)環(huán)境中基于光流的障礙物檢測(cè)[J];浙江大學(xué)學(xué)報(bào)(工學(xué)版);2008年06期

5 王葵;翟榮剛;王道斌;顏普;;基于激光測(cè)距雷達(dá)和車載GPS的動(dòng)態(tài)障礙物檢測(cè)[J];工業(yè)儀表與自動(dòng)化裝置;2013年02期

6 趙小川;劉培志;張敏;楊立輝;施建昌;;一種適用于移動(dòng)機(jī)器人的障礙物快速檢測(cè)算法及其實(shí)現(xiàn)[J];機(jī)器人;2011年02期

7 楊飛;朱株;龔小謹(jǐn);劉濟(jì)林;;基于三維激光雷達(dá)的動(dòng)態(tài)障礙實(shí)時(shí)檢測(cè)與跟蹤[J];浙江大學(xué)學(xué)報(bào)(工學(xué)版);2012年09期

8 杜歆;周圍;朱云芳;劉濟(jì)林;;基于單目視覺的障礙物檢測(cè)[J];浙江大學(xué)學(xué)報(bào)(工學(xué)版);2008年06期

9 稻津雅弘;車勝新;;利用超聲波檢測(cè)障礙物的裝置的研究[J];國(guó)外汽車;1983年06期

10 劉珂;隋樹林;;車道斑馬線及障礙物檢測(cè)方法研究與實(shí)現(xiàn)[J];科技信息;2012年03期

相關(guān)博士學(xué)位論文 前3條

1 劉金;盲人行走輔助技術(shù)中的障礙物檢測(cè)算法研究[D];西南交通大學(xué);2014年

2 劉健;基于三維激光雷達(dá)的無(wú)人駕駛車輛環(huán)境建模關(guān)鍵技術(shù)研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2016年

3 賈寶芝;視頻導(dǎo)航中的地圖生成、障礙檢測(cè)與行人人臉識(shí)別[D];中國(guó)科學(xué)技術(shù)大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 楊鑫;基于單目視覺的礦井電機(jī)車防撞預(yù)警系統(tǒng)的研究[D];中國(guó)礦業(yè)大學(xué);2015年

2 丁新立;基于卷積神經(jīng)網(wǎng)絡(luò)的車輛前方障礙物識(shí)別[D];大連理工大學(xué);2015年

3 易藝婷;導(dǎo)盲系統(tǒng)中的障礙物檢測(cè)方案設(shè)計(jì)[D];哈爾濱工業(yè)大學(xué);2015年

4 趙日成;輔助駕駛中的路面障礙檢測(cè)技術(shù)研究[D];西安電子科技大學(xué);2015年

5 魯永杰;基于機(jī)器視覺的列車前方障礙物檢測(cè)方法研究[D];蘭州交通大學(xué);2015年

6 侯偉;基于雙目的前駛障礙物識(shí)別方法與應(yīng)用研究[D];合肥工業(yè)大學(xué);2015年

7 袁雨桐;基于單目視覺的智能車前方障礙物識(shí)別與測(cè)距[D];吉林大學(xué);2016年

8 陳若望;列車前方障礙物圖像檢測(cè)算法研究[D];西南交通大學(xué);2012年

9 王葵;無(wú)人車前方障礙物的檢測(cè)方法研究[D];安徽大學(xué);2012年

10 宋娟;路軌自動(dòng)檢測(cè)系統(tǒng)及障礙物識(shí)別技術(shù)的研究[D];浙江大學(xué);2008年

本文編號(hào)：2843308