本文關(guān)鍵詞：融合圖像與激光雷達(dá)的車道偏離預(yù)警算法研究　出處：《南京理工大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 車道線檢測(cè) 車道偏離預(yù)警模型 數(shù)據(jù)融合

【摘要】：本文研究了融合圖像與激光雷達(dá)的車道偏離預(yù)警系統(tǒng)。車道偏離預(yù)警系統(tǒng)是高級(jí)輔助駕駛系統(tǒng)中的一項(xiàng)關(guān)鍵技術(shù),主要用于防止車輛偏離當(dāng)前車道而產(chǎn)生交通事故。本文首先分析了車道偏離預(yù)警系統(tǒng)的各組成部分,總結(jié)了當(dāng)前研究的三大難點(diǎn),并針對(duì)每個(gè)難點(diǎn)進(jìn)行了相關(guān)研究。主要研究的問(wèn)題與取得的成果概括如下:1.復(fù)雜道路條件下的車道線檢測(cè)問(wèn)題。目前的車道線檢測(cè)算法在穩(wěn)定光照、良好道路條件下已取得較好的效果。難點(diǎn)在于,在光照變化、陰影遮擋、障礙物遮擋等復(fù)雜路面條件下檢測(cè)車道線。以及在道路磨損,車道線為虛線的條件下檢測(cè)車道線。本文提出一種適應(yīng)復(fù)雜路面條件的車道線檢測(cè)算法。通過(guò)灰度空間與HSV(Hue Saturation Value)空間的雙閾值分割進(jìn)行特征提取,減少特征的丟失。針對(duì)障礙物遮擋、陰影遮擋、路面其他道路標(biāo)識(shí)的問(wèn)題,利用同一條車道線兩邊緣相互平行的性質(zhì),使用梯度方向判決的方法,減少遮擋物對(duì)車道線檢測(cè)的影響。針對(duì)車道線磨損,車道線為虛線的問(wèn)題,利用改進(jìn)的河流算法進(jìn)行特征連接。算法經(jīng)過(guò)高速公路采集的視頻數(shù)據(jù)的測(cè)試,能在多種復(fù)雜道路條件下穩(wěn)定檢測(cè)車道線。2.車道偏離預(yù)警模型虛警率高,預(yù)警信息不穩(wěn)定的問(wèn)題。車道線偏離預(yù)警的虛警會(huì)干擾駕駛員的注意力,降低系統(tǒng)可用性,甚至錯(cuò)誤的改變車輛運(yùn)動(dòng)狀態(tài),造成危險(xiǎn)。預(yù)警信息不穩(wěn)定會(huì)導(dǎo)致駕駛員無(wú)法判斷當(dāng)前行駛狀態(tài)是否有危險(xiǎn)性,是否需要修正車輛軌跡。本文分析了現(xiàn)有車道偏離預(yù)警模型的優(yōu)缺點(diǎn),并提出一種階段式偏離預(yù)警模型。在保持檢測(cè)率與預(yù)警時(shí)間的基礎(chǔ)上,降低了虛警率,提高了預(yù)警信息的穩(wěn)定性。3.單一傳感器車道感知可靠性低的問(wèn)題。目前大多數(shù)車道偏離預(yù)警研究都使用視覺(jué)傳感器作為唯一的道路數(shù)據(jù)來(lái)源,這在實(shí)際場(chǎng)景下可靠性不足。一方面當(dāng)傳感器出現(xiàn)誤差時(shí),沒(méi)有其他測(cè)量結(jié)果用于比較和修正。另外,無(wú)法適應(yīng)結(jié)構(gòu)化道路與非結(jié)構(gòu)化道路的切換。本文提出了一種在特征級(jí)融合激光雷達(dá)與圖像數(shù)據(jù)的方法。首先根據(jù)實(shí)際道路結(jié)構(gòu)提出了一種應(yīng)用于兩種傳感器測(cè)量數(shù)據(jù)的平行直線模型。提出了一種數(shù)據(jù)融合的方法,根據(jù)先驗(yàn)信息與歷史數(shù)據(jù)減少單傳感器隨機(jī)誤差對(duì)系統(tǒng)檢測(cè)結(jié)果的影響。
[Abstract]:In this paper, the lane departure warning system of fusion image and laser radar is studied. Lane departure warning system is a key technology in the advanced auxiliary driving system, which is mainly used to prevent vehicles from deviating from the current lane and causing traffic accidents. This paper first analyzes the components of the lane departure warning system, summarizes the three difficulties of the current research, and carries out some related research on each difficult point. The main problems and achievements are summarized as follows: 1. lane detection in complex road conditions. The current lane detection algorithm has achieved good results under the condition of stable illumination and good road conditions. The difficulty is to detect lane lines in complex pavement conditions such as illumination change, shadow occlusion, obstructing, and so on. And the lane line is detected under the condition of road wear and lane line as the dotted line. A lane detection algorithm adapted to complex pavement conditions is proposed in this paper. Feature extraction is carried out by double threshold segmentation of gray space and HSV (Hue Saturation Value) space to reduce the loss of features. Aiming at the problem of obstacle occlusion, shadow shelter and other road signs, the gradient direction decision method is applied to reduce the impact of occlusion on Lane Detection Based on the parallel nature of the two edges of the same lane line. In view of the problem of lane line wear and lane line as the dotted line, the improved river algorithm is used to carry out the feature connection. Through the test of the video data collected from the expressway, the algorithm can detect the lane line steadily in a variety of complex road conditions. The 2. lane departure warning model has high false alarm rate and unstable warning information. The lane line deviation from the warning of false alarm will disturb the driver's attention, reduce the availability of the system, or even erroneous to change the state of vehicle movement, causing danger. The instability of early warning information will cause the driver to be unable to judge whether the current driving condition is dangerous or not to correct the vehicle trajectory. In this paper, the advantages and disadvantages of the existing lane departure warning model are analyzed, and a phased deviation early warning model is proposed. On the basis of maintaining the detection rate and the early warning time, the false alarm rate is reduced and the stability of the early warning information is improved. 3. single sensor lane detection reliability is low. Most lane departure early warning studies use visual sensors as the only source of road data, which is less reliable in actual scenarios. On the one hand, when the sensor error occurs, no other measurement results are used for comparison and correction. In addition, it is impossible to adapt to the switching between structured and unstructured roads. In this paper, a method for fusion of laser radar and image data at feature level is proposed. Based on the actual road structure, a parallel straight line model applied to two kinds of sensor data is proposed. A method of data fusion is proposed. According to the prior information and historical data, the effect of the single sensor random error on the detection results of the system is reduced.
【學(xué)位授予單位】：南京理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TN958.98;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 田炳香;鄭榜貴;吳晴;;高速公路車道線檢測(cè)與跟蹤算法研究[J];現(xiàn)代電子技術(shù);2008年09期

2 葉慶;趙明輝;李菲;孫曉泉;;夜間車道線檢測(cè)與跟蹤算法研究[J];現(xiàn)代電子技術(shù);2009年13期

3 余厚云;張為公;;直線模型下的車道線跟蹤與車道偏離檢測(cè)[J];自動(dòng)化儀表;2009年11期

4 余厚云;張為公;;基于動(dòng)態(tài)感興趣區(qū)域的車道線識(shí)別與跟蹤[J];工業(yè)儀表與自動(dòng)化裝置;2009年05期

5 劉富強(qiáng);張姍姍;朱文紅;李志鵬;;一種基于視覺(jué)的車道線檢測(cè)與跟蹤算法[J];同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年02期

6 胡慶新;吳林成;顧愛(ài)華;;高速公路中搜索車道線的方法[J];微計(jì)算機(jī)信息;2010年22期

7 高德芝;段建民;楊磊;楊喜寧;;應(yīng)用多階動(dòng)態(tài)規(guī)劃的車道線識(shí)別方法[J];機(jī)械工程學(xué)報(bào);2011年08期

8 楊晶東;楊敬輝;樸松昊;;一種有效的車道線識(shí)別與偏道預(yù)警方法[J];控制工程;2011年02期

9 徐后杰;李會(huì)方;繆國(guó)鋒;;基于單目視覺(jué)的車道線分離警告算法研究[J];微處理機(jī);2011年03期

10 錢鷹;劉仕照;;分段切換車道模型在車道線識(shí)別中的應(yīng)用[J];計(jì)算機(jī)應(yīng)用;2011年S2期

相關(guān)會(huì)議論文 前8條

1 畢雁冰;;提高車道線識(shí)別精度的一種方法[A];第三屆中國(guó)CAE工程分析技術(shù)年會(huì)論文集[C];2007年

2 楊廣林;苗冬霜;;結(jié)構(gòu)化道路車道線檢測(cè)與跟蹤算法[A];2005年全國(guó)理論計(jì)算機(jī)科學(xué)學(xué)術(shù)年會(huì)論文集[C];2005年

3 劉曉龍;鄧志東;;基于全局與局部模型相互制約及具有模型不確定性評(píng)估的車道線檢測(cè)方法[A];2013年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第三分冊(cè)）[C];2013年

4 張潔穎;王生進(jìn);丁曉青;;基于車輛軌跡的車道線檢測(cè)與劃分[A];圖像圖形技術(shù)與應(yīng)用進(jìn)展——第三屆圖像圖形技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2008年

5 余貴珍;李芹;王迪;;車輛智能化車道線跟蹤方法研究[A];第八屆中國(guó)智能交通年會(huì)優(yōu)秀論文集——智能交通與安全[C];2013年

6 李鋼;圣華;張仁斌;;基于LMedSquare選取最佳子集的車道線檢測(cè)算法[A];2009全國(guó)虛擬儀器大會(huì)論文集（二）[C];2009年

7 劉天輝;李飛;;車輛視覺(jué)導(dǎo)航中道路檢測(cè)算法研究[A];第十一屆沈陽(yáng)科學(xué)學(xué)術(shù)年會(huì)暨中國(guó)汽車產(chǎn)業(yè)集聚區(qū)發(fā)展與合作論壇論文集（信息科學(xué)與工程技術(shù)分冊(cè)）[C];2014年

8 孫曉軍;李華;;基于Facet模型的一種車道線提取方法[A];第八屆中國(guó)智能交通年會(huì)論文集[C];2013年

相關(guān)博士學(xué)位論文 前7條

1 杜明芳;基于視覺(jué)的自主車道路環(huán)境理解技術(shù)研究[D];北京理工大學(xué);2015年

2 王俊;無(wú)人駕駛車輛環(huán)境感知系統(tǒng)關(guān)鍵技術(shù)研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2016年

3 穆柯楠;基于車—路視覺(jué)協(xié)同的行車環(huán)境感知方法研究[D];長(zhǎng)安大學(xué);2016年

4 王超;面向智能車輛的單目視覺(jué)行車安全信息檢測(cè)與識(shí)別方法研究[D];南京理工大學(xué);2016年

5 陳軍;基于DSP的高速公路車道偏離報(bào)警系統(tǒng)研究[D];天津大學(xué);2010年

6 沈\，

本文編號(hào)：1346734