發(fā)布時間：2017-07-13 23:11

  本文關(guān)鍵詞：車載視頻的運動目標檢測與跟蹤算法研究

  更多相關(guān)文章： 車道線識別 車輛檢測 車輛跟蹤 Kalman 濾波 GM(1 1)模型

【摘要】：車輛檢測與跟蹤算法是駕駛員安全輔助系統(tǒng)的核心,是智能車導航研究領(lǐng)域的熱點,實時、準確、魯棒的檢測與跟蹤算法能夠使智能車實現(xiàn)有效的防偏、防撞、預(yù)警和控制。本文的研究目標是采用圖像處理算法分析車載攝像頭采集到的視頻圖像信息,檢測并跟蹤前方運動車輛,為駕駛員提供實時準確的道路信息,避免交通事故的發(fā)生。本文闡述了車輛檢測與跟蹤算法的研究背景及意義,研究并分析了圖像預(yù)處理的基本方法、車道線識別、車輛檢測與車輛跟蹤算法。依據(jù)天空與路面相交處灰度的階躍變化,給出了利用水平灰度均值分布曲線提取路面區(qū)域的方法;結(jié)合Canny算法和Hough變換檢測車道線,采用較先進的直線-拋物線模型跟蹤車道線;基于車底陰影和小孔成像原理確定車輛假設(shè)區(qū)域,在研究融合多特征驗證感興趣區(qū)域算法的基礎(chǔ)上,給出了結(jié)合紋理、垂直梯度投影均值和邊緣對稱性三個特征分層驗證假設(shè)區(qū)域的方法;進一步分析了基于Kalman濾波的車輛跟蹤算法以及其優(yōu)缺點,針對其可能存在著發(fā)散以及初值選取困難,并需要假設(shè)噪聲參數(shù)和運動狀態(tài)的問題,給出了基于灰色模型GM(1,1)的前方車輛跟蹤算法,并將預(yù)測誤差引進GM(1,1)模型,改進了跟蹤算法,實現(xiàn)了實時準確的車輛跟蹤。完成了前方車輛檢測與跟蹤系統(tǒng)的軟件設(shè)計,實現(xiàn)了單幀檢測與實時跟蹤功能。論文采用PETS2001圖像序列進行實驗,從實時性和準確性兩方面分析驗證了算法的有效性,并明確了下一步研究方向以及應(yīng)用前景。本文對車輛檢測與跟蹤技術(shù)進行了探索和研究,在駕駛員安全輔助系統(tǒng)應(yīng)用方面有一定的參考價值。
【關(guān)鍵詞】：車道線識別 車輛檢測 車輛跟蹤 Kalman 濾波 GM(1 1)模型
【學位授予單位】：長春工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.41
【目錄】：

• 摘要3-4
• Abstract4-7
• 第一章 緒論7-11
• 1.1 課題的研究背景及意義7
• 1.2 DAS研究現(xiàn)狀7-9
• 1.2.1 國外研究現(xiàn)狀8
• 1.2.2 國內(nèi)研究現(xiàn)狀8-9
• 1.3 本文主要內(nèi)容及結(jié)構(gòu)9-11
• 1.3.1 論文主要內(nèi)容9
• 1.3.2 論文組成結(jié)構(gòu)9-11
• 第二章 車載視頻圖像預(yù)處理11-17
• 2.1 圖像灰度化11-12
• 2.2 圖像平滑去噪12-15
• 2.2.1 鄰域平均值法13-14
• 2.2.2 中值濾波法14
• 2.2.3 高斯濾波法14-15
• 2.2.4 結(jié)果對比15
• 2.3 提取路面區(qū)域15-16
• 2.4 本章小節(jié)16-17
• 第三章 車道線識別算法研究17-24
• 3.1 車道線檢測17-20
• 3.1.1 Canny算法17
• 3.1.2 Hough變換17-19
• 3.1.3 檢測結(jié)果19-20
• 3.2 車道線跟蹤20-23
• 3.2.1 車道模型20-21
• 3.2.2 車道模型匹配21-22
• 3.2.3 車道線跟蹤結(jié)果22-23
• 3.3 本章小節(jié)23-24
• 第四章 前方車輛檢測算法研究24-36
• 4.1 常用車輛檢測方法24
• 4.2 車輛假設(shè)區(qū)域生成24-29
• 4.2.1 車底陰影檢測25-26
• 4.2.2 感興趣區(qū)域確定26-29
• 4.3 車輛假設(shè)區(qū)域驗證29-32
• 4.3.1 車輛特征分析29-31
• 4.3.2 結(jié)合多特征驗證車輛假設(shè)區(qū)域31-32
• 4.4 前方車輛檢測算法流程32-33
• 4.5 前方車輛檢測結(jié)果33-35
• 4.6 本章小節(jié)35-36
• 第五章 前方車輛跟蹤算法研究36-50
• 5.1 基于Kalman濾波算法的車輛跟蹤36-40
• 5.1.1 Kalman濾波原理36-37
• 5.1.2 Kalman濾波跟蹤算法流程37-40
• 5.1.3 Kalman濾波的優(yōu)缺點40
• 5.2 基于GM(1,1)的前方車輛跟蹤40-46
• 5.2.1 GM(1,1)模型40-41
• 5.2.2 GM(1,1)模型跟蹤流程41-44
• 5.2.3 改進GM(1,1)模型44-46
• 5.3 Kalman濾波與GM(1,1)模型跟蹤方法的分析比較46-48
• 5.4 前方車輛跟蹤結(jié)果48-49
• 5.5 本章小節(jié)49-50
• 第六章 系統(tǒng)設(shè)計與實驗結(jié)果分析50-56
• 6.1 系統(tǒng)設(shè)計50-54
• 6.1.1 系統(tǒng)結(jié)構(gòu)與功能50-53
• 6.1.2 系統(tǒng)運行界面53-54
• 6.2 實驗結(jié)果分析54-55
• 6.3 本章小結(jié)55-56
• 第七章 總結(jié)與展望56-58
• 致謝58-59
• 參考文獻59-63
• 作者簡介63
• 攻讀碩士學位期間研究成果63

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 卞建勇;徐建閩;裴海龍;;基于強化學習的視頻車輛跟蹤[J];華南理工大學學報(自然科學版);2008年10期

2 張曉媚;陳偉海;劉敬猛;趙志文;;基于柔性曲桿的車輛跟蹤算法設(shè)計與實現(xiàn)[J];北京航空航天大學學報;2011年07期

3 甘玲;潘小雷;;一種應(yīng)用于交通環(huán)境中的運動車輛跟蹤方法[J];重慶郵電大學學報(自然科學版);2013年03期

4 郭鋒;王秉政;楊晨暉;;復雜背景下車輛跟蹤的改進算法及逆行檢測[J];圖學學報;2013年04期

5 魏玉強;王成儒;;多車輛跟蹤時分割粘連車輛的方法[J];電視技術(shù);2009年11期

6 王文龍;李清泉;;基于蒙特卡羅算法的車輛跟蹤方法[J];測繪學報;2011年02期

7 李t，

本文編號：538738