本文關(guān)鍵詞：基于車載圖像處理的道路檢測技術(shù)研究

  更多相關(guān)文章： 車道線檢測 梯度信息 Hough變換 FPGA 路面檢測 光照不變特征

【摘要】：近年來,隨著國家的道路交通事業(yè)迅猛發(fā)展,交通事故頻發(fā)成為了社會性的難題。汽車安全輔助駕駛技術(shù)對保障人民生命財(cái)產(chǎn)安全具有重要的現(xiàn)實(shí)意義,通過捕捉和分析道路信息,在車輛即將發(fā)生碰撞或車道發(fā)生偏離的情況下發(fā)出預(yù)警,從而可以避免交通事故的發(fā)生。其中車道線檢測與路面檢測技術(shù)通過提供重要的道路信息成為了車道偏離預(yù)警、自主導(dǎo)航、自主駕駛等應(yīng)用研究的重要部分。因此,有效并準(zhǔn)確地檢測車道線與提取路面是輔助駕駛技術(shù)的基礎(chǔ)問題與研究重點(diǎn),本文圍繞基于車載圖像的道路檢測技術(shù)展開研究。論文首先介紹了國內(nèi)外在車道線檢測與路面檢測領(lǐng)域的研究現(xiàn)狀,通過分析該領(lǐng)域的重要方法與實(shí)際效果從而發(fā)現(xiàn)了現(xiàn)有研究中存在的難題。然后,在現(xiàn)有研究的基礎(chǔ)上,提出一種魯棒抗干擾強(qiáng)的車道線檢測算法及其具體硬件實(shí)現(xiàn),關(guān)于路面檢測提出了一種抗陰影干擾且快速有效的檢測算法。本文的主要內(nèi)容如下：1.在車道線檢測算法的研究方面,提出了一種基于梯度幅值與梯度方向的聯(lián)合特征的提取方法,并根據(jù)梯度幅值信息進(jìn)行自適應(yīng)的ROI (Region of Interest)分割。首先計(jì)算圖像的梯度幅值并根據(jù)設(shè)定閾值確定圖像中的邊緣。然后計(jì)算梯度方向并根據(jù)與車道線邊緣方向相關(guān)的先驗(yàn)知識排除非車道線邊緣。該方法能夠在很大程度上減少圖像的冗余信息,保留較好的車道線特征,從而提高后續(xù)車道線提取算法的效率。2.在車道線提取過程中,本文綜合考慮了Hough變換的特點(diǎn),通過對梯度方向進(jìn)行分組的方式對它進(jìn)行了改進(jìn),從而更精準(zhǔn)的對目標(biāo)像素進(jìn)行空間轉(zhuǎn)換,提高了直線檢測算法的效率。另外對于車道線檢測應(yīng)用,本文從硬件架構(gòu)、軟件算法等方面進(jìn)行了程序設(shè)計(jì),從而提出了一個切實(shí)可行的車道線檢測系統(tǒng),使本文提出的車道線檢測算法在FPGA與DSP的平臺上進(jìn)行并行運(yùn)算。3.在路面檢測的研究方面,本文使用光照不變特征以及相似性分類方法來解決陰影干擾對檢測結(jié)果帶來的影響。利用前后兩幀圖像的連續(xù)性,一方面使用了光流法獲得背景區(qū)域的特征,另一方面通過前一幀的檢測結(jié)果獲得光照不變特征均值。該方法在圖像含有各種陰影的情況下能夠有效準(zhǔn)確地提取路面區(qū)域。本文在不同的測試圖像上驗(yàn)證了提出的車道線檢測算法和路面檢測算法,測試圖像序列包含陰影、車輛、行人等干擾在內(nèi)的多種道路場景,實(shí)驗(yàn)結(jié)果表明本文算法的有效性和魯棒性。
【關(guān)鍵詞】：車道線檢測 梯度信息 Hough變換 FPGA 路面檢測 光照不變特征
【學(xué)位授予單位】：湖南大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：U463.6;TP391.41
【目錄】：

• 摘要5-6
• Abstract6-10
• 第1章 緒論10-16
• 1.1 研究背景及意義10-12
• 1.2 國內(nèi)外道路檢測研究現(xiàn)狀12-14
• 1.2.1 車道線檢測的現(xiàn)狀12-13
• 1.2.2 路面檢測的現(xiàn)狀13-14
• 1.3 論文主要研究內(nèi)容以及章節(jié)安排14-16
• 1.3.1 本文主要研究內(nèi)容14-15
• 1.3.2 論文章節(jié)安排15-16
• 第2章 車載道路圖像提取相關(guān)背景介紹16-29
• 2.1 視頻圖像采集16-19
• 2.1.1 CCD圖像傳感器16-17
• 2.1.2 視頻數(shù)字信號處理17-19
• 2.2 圖像色彩空間轉(zhuǎn)換19-22
• 2.2.1 YUV422格式與YUV444格式的轉(zhuǎn)換19-21
• 2.2.2 YUV444格式與RGB格式的轉(zhuǎn)換21
• 2.2.3 RGB格式與CIE L~*a~*b~*格式的轉(zhuǎn)換21-22
• 2.3 道路圖像預(yù)處理22-28
• 2.3.1 圖像灰度化22-23
• 2.3.2 道路圖像濾波23-26
• 2.3.3 道路圖像增強(qiáng)26-28
• 2.4 本章小結(jié)28-29
• 第3章 基于梯度方向與幅值的車道線檢測算法29-44
• 3.1 車道線特征提取29-34
• 3.1.1 顏色特征提取29-30
• 3.1.2 邊緣特征提取30-32
• 3.1.3 基于梯度幅值與方向的提取32-34
• 3.2 ROI區(qū)域提取34-38
• 3.2.1 區(qū)域固定的ROI分割方法35-36
• 3.2.2 自適應(yīng)ROI分割方法36-37
• 3.2.3 基于邊緣統(tǒng)計(jì)特性的自適應(yīng)ROI分割方法37
• 3.2.4 ROI分割方法結(jié)果對比37-38
• 3.3 車道線檢測38-41
• 3.3.1 Hough變換39-40
• 3.3.2 改進(jìn)的Hough變換檢測直線40-41
• 3.4 算法的基本流程41-42
• 3.5 本章小結(jié)42-44
• 第4章 車道線檢測算法的硬件實(shí)現(xiàn)與實(shí)驗(yàn)評估44-51
• 4.1 算法的硬件實(shí)現(xiàn)44-47
• 4.1.1 實(shí)時(shí)車道檢測系統(tǒng)硬件架構(gòu)44-45
• 4.1.2 車道線檢測系統(tǒng)軟件架構(gòu)45-46
• 4.1.3 數(shù)據(jù)流解碼46
• 4.1.4 邊緣特征求值模塊的FPGA實(shí)現(xiàn)46-47
• 4.2 算法的評估47-50
• 4.2.1 實(shí)驗(yàn)數(shù)據(jù)與評價(jià)標(biāo)準(zhǔn)47-48
• 4.2.2 算法的評估結(jié)果48-50
• 4.3 本章小結(jié)50-51
• 第5章 基于光照不變性與光流法的路面檢測算法51-62
• 5.1 光照不變特征模型51-53
• 5.2 基于光流法的圖像運(yùn)動提取53-55
• 5.3 基于光照不變性與光流法的路面檢測算法55-58
• 5.3.1 算法初始化階段55-56
• 5.3.2 基于相似性的分類算法56-58
• 5.3.3 基于連通區(qū)域的后續(xù)處理58
• 5.4 算法的評估58-61
• 5.4.1 路面檢測算法的評價(jià)指標(biāo)59
• 5.4.2 算法的評估結(jié)果59-61
• 5.5 本章小結(jié)61-62
• 總結(jié)與展望62-64
• 參考文獻(xiàn)64-68
• 致謝68-69
• 附錄A 攻讀學(xué)位期間所發(fā)表的學(xué)術(shù)論文目錄69

，

本文編號：786462