機(jī)器視覺是人工智能正在快速發(fā)展的一個(gè)分支,用機(jī)器代替人眼來做測量和判斷,智能車輛是多學(xué)科融合的高新技術(shù)綜合系統(tǒng)。然而智能車輛車載電子系統(tǒng)難于兼顧實(shí)時(shí)性和準(zhǔn)確性,多采用高性能硬件卻大幅增加了用戶的使用成本。因而怎樣從復(fù)雜的道路環(huán)境中獲取可識別特征量,分割目標(biāo)可行域,實(shí)現(xiàn)實(shí)時(shí)檢測前方道路、識別障礙車輛車型,同時(shí)實(shí)現(xiàn)低使用成本和高精確度,在有限的硬件資源條件下實(shí)現(xiàn)較為理想的智能化程度,是一個(gè)待解決的難題。本文以道路交通環(huán)境中的基于視覺的智能車輛為研究對象,針對智能車輛在道路檢測和行駛路徑前方車輛車型識別的實(shí)際需求,采用了一種基于K-means算法的二步迭代道路檢測算法和一種基于K-means的車型輪廓特征分類判別技術(shù)。主要工作包括:1、研究了圖像預(yù)處理技術(shù),對傳統(tǒng)的機(jī)器視覺圖像預(yù)處理流程進(jìn)行改進(jìn),對原始圖像進(jìn)行白平衡、灰度化、圖像去噪處理。通過計(jì)算機(jī)實(shí)驗(yàn)對比兩種不同的白平衡算法和四種不同的圖像去噪算法,并依據(jù)相關(guān)圖像質(zhì)量評價(jià)標(biāo)準(zhǔn)對白平衡和圖像去噪步驟進(jìn)行單步最優(yōu)和全局最優(yōu)的客觀圖像處理效果對比。實(shí)驗(yàn)結(jié)果表明在圖像預(yù)處理的整個(gè)步驟中,先對圖像用全反射算法進(jìn)行白平衡處理后,再將所得圖像轉(zhuǎn)化為灰度... 

【文章來源】：昆明理工大學(xué)云南省

【文章頁數(shù)】：84 頁

【學(xué)位級別】：碩士

【部分圖文】：

谷歌旗下Waymo公司的商業(yè)化智能車

認(rèn)知水平能力離線測試兩部分。其中，真實(shí)道路環(huán)境測試著重考察無人駕駛智能車輛的交通場景識別能力以及不同道路環(huán)境中的安全性（Safety）、舒適性（Smoothness）、敏捷性（Sharpness）和智能性（Smartness）等4S性能；離線測試則在大規(guī)模真實(shí)道路交通場景數(shù)據(jù)庫的基礎(chǔ)上，通過仿真環(huán)境評估無人駕駛車輛各類交通環(huán)境感知算法的基本認(rèn)知能力和水平。近年來，隨著傳感器技術(shù)的發(fā)展，各家無人車在硬件方案上的差距越來越小，挑戰(zhàn)賽上的比拼，逐漸從前幾年硬件設(shè)備、系統(tǒng)方案的差異變?yōu)楝F(xiàn)在的引導(dǎo)算法、數(shù)據(jù)感知方面的差異。圖1.2第十屆中國智能車未來挑戰(zhàn)賽參賽車輛

昆明理工大學(xué)碩士學(xué)位論文22值。經(jīng)過灰度化處理，所得到的灰度圖像每個(gè)像素只需一個(gè)字節(jié)存放灰度值（又稱強(qiáng)度值、亮度值），相比原圖像減少了數(shù)據(jù)量，更便于后續(xù)進(jìn)一步進(jìn)行圖像處理分析操作�；叶然幚矸椒ǔＳ玫挠蟹至糠�、最大值法、平均值法和加權(quán)平均法，以加權(quán)平均法的應(yīng)用最為廣泛。根據(jù)文獻(xiàn)[54]的研究結(jié)果，依據(jù)人眼對三基色的敏感程度不同，對綠色的敏感最高，對藍(lán)色敏感最低，將三個(gè)分量以不同的權(quán)值進(jìn)行加權(quán)平均。得到一種對RGB三分量進(jìn)行加權(quán)平均（weightedaveragemethod）的灰度化方法，能得到較合理的灰度圖像。若圖像灰度化后的顏色矩陣為，原圖像RGB矩陣的三個(gè)分量分別為、、，則有：=0.2989+0.5870+0.1140(2-4)依據(jù)上文介紹的加權(quán)平均灰度化方法，在MATLAB2018a計(jì)算機(jī)仿真平臺中對已經(jīng)完成白平衡操作的圖像進(jìn)行圖像灰度化處理。2.4圖像去噪數(shù)字圖像圖像的獲娶傳輸和存貯過程中常受到成像設(shè)備與外部環(huán)境噪聲干擾和影響，使圖像質(zhì)量降低，稱為含噪圖像或噪聲圖像。為了獲取高質(zhì)量數(shù)字圖像，很有必要對圖像進(jìn)行降噪處理，盡可能的保持原始信息完整性（即主要特征）的同時(shí)，又能夠去除信號中無用的信息。2.4.1常用去噪算法（1）均值濾波均值濾波是圖像處理中最常用的手段，理想的均值濾波是用每個(gè)像素和它周圍像素計(jì)算出來的平均值替換圖像中每個(gè)像素。采樣Kernel數(shù)據(jù)通常是邊長為3的矩陣，如下表示：圖2.2均值濾波原理示意圖

【參考文獻(xiàn)】：
期刊論文
[1]基于K-means算法的二步迭代道路檢測算法[J]. 史迪瑋,毛劍琳.  軟件導(dǎo)刊. 2018(09)
[2]2018中國智能車大會(huì)將于常熟召開[J].   模式識別與人工智能. 2018(05)
[3]基于深度卷積神經(jīng)網(wǎng)絡(luò)的車型識別方法[J]. 袁公萍,湯一平,韓旺明,陳麒.  浙江大學(xué)學(xué)報(bào)(工學(xué)版). 2018(04)
[4]路面檢測技術(shù)綜述[J]. 馬建,趙祥模,賀拴海,宋宏勛,趙煜,宋煥生,程磊,王建鋒,袁卓亞,黃福偉,張健,楊瀾.  交通運(yùn)輸工程學(xué)報(bào). 2017(05)
[5]改進(jìn)的光照不變道路檢測算法[J]. 杜凱,宋永超,巨永鋒,姚潔茹,房建武,包旭.  交通運(yùn)輸系統(tǒng)工程與信息. 2017(05)
[6]Faster-RCNN的車型識別分析[J]. 桑軍,郭沛,項(xiàng)志立,羅紅玲,陳欣.  重慶大學(xué)學(xué)報(bào). 2017(07)
[7]基于最小安全距離的車輛交叉換道模型研究[J]. 李娟,曲大義,萬孟飛,曹俊業(yè),劉聰.  青島理工大學(xué)學(xué)報(bào). 2017(01)
[8]基于深度卷積神經(jīng)網(wǎng)絡(luò)的場景自適應(yīng)道路分割算法[J]. 王海,蔡英鳳,賈允毅,陳龍,江浩斌.  電子與信息學(xué)報(bào). 2017(02)
[9]高速公路交通事故影響因素分析及傷害估計(jì)[J]. 王磊,呂璞,林永杰.  中國安全科學(xué)學(xué)報(bào). 2016(03)
[10]基于深度卷積神經(jīng)網(wǎng)絡(luò)的車型識別研究[J]. 鄧柳,汪子杰.  計(jì)算機(jī)應(yīng)用研究. 2016(03)

碩士論文
[1]基于深度學(xué)習(xí)的車型識別研究[D]. 張佳佳.石家莊鐵道大學(xué) 2017
[2]基于機(jī)器視覺的智能車輛跟蹤方法研究與應(yīng)用[D]. 宋國浩.中北大學(xué) 2017
[3]智能車輛基于視覺的可通行區(qū)域檢測方法[D]. 潘奎剛.南京理工大學(xué) 2017
[4]基于機(jī)器學(xué)習(xí)的道路區(qū)域識別方法研究[D]. 李春陽.浙江大學(xué) 2016
[5]基于機(jī)器視覺的非結(jié)構(gòu)化道路識別與障礙物檢測研究[D]. 鐘鵬飛.華南農(nóng)業(yè)大學(xué) 2016
[6]圖像處理在車輛類型識別中的應(yīng)用[D]. 張杰.武漢理工大學(xué) 2014
[7]基于深度學(xué)習(xí)的車輛型號識別[D]. 熊祎.華中科技大學(xué) 2014



本文編號：3465337