基于视觉的前方车辆检测技术研究

发布时间：2020-07-14 02:44

【摘要】：智能交通系统的研究对降低交通事故显得非常迫切,智能车辆作为其中最为核心的部分,对车辆检测与跟踪技术的研究也越来越受到研发人员的关注。本文针对车辆行驶过程中交通事故频发的问题,在车辆检测与跟踪方面进行了研究;通过采用双目视觉传感器,分析图像预处理、车辆检测与跟踪、相机标定与立体视觉系统,提出了一种结合特征与Kalman滤波改进的Camshift算法,解决车辆行驶过程中跟踪不准确的问题。具体如下:1)进一步调查了国内外智能交通系统的研究现状和发展趋势,简要介绍了目前主流的前方车辆检测技术。分析了图像预处理相关技术,对比选用中值滤波作为图像滤波手段,运用OSTU法对图像进行二值化处理,比较并选用了Canny算子对图像边缘进行提取。2)结合车辆特征和卡尔曼滤波跟踪实现对Camshift算法改进。以前方车辆检测技术为背景,论文采用改进的Hough变换提取车道线,并根据车辆底部下缘阴影对车辆进行精确定位;运用Camshift算法实现对前方车辆的跟踪,并结合卡尔曼滤波对其下一时刻的位置进行更新预测,跟踪的准确率得到了提升。3)对双目相机的成像原理以及坐标系之间的转换关系作了分析,研究了双目立体视觉系统测距。主要包括立体校正、对极几何原理及立体匹配算法的选择等,搭建了立体视觉系统软硬件平台,最后进行了双目测距实验验证分析,得出测距误差保持在5%范围内。
【学位授予单位】：贵州大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;U495
【图文】：

了较大的计算量，导致目标检测过程出现困难，因此，对图像进行预有必要的。图像的预处理通常包括对图像的裁剪、图像灰度均衡化、二值化、边缘检测及形态学处理等。针对本文检测研究内容，图像预图 2-1 所示：

函数可完成从 f 分布到 g 的均匀分布间的转换，此时映射函数为：gk EQ( fk) (ni/n) pf(fi)，（k=0,1,2,......,L-1） （2- 1）其中求和区间为（0，k），由此函数可以得到图像灰度均衡化后的各像素灰度值[66]。 处理后结果如图 2-2 所示。

三种滤波技术处理图像效果图

【参考文献】

相关期刊论文 前9条

1 沈彤;刘文波;王京;;基于双目立体视觉的目标测距系统[J];电子测量技术;2015年04期

2 刘小豫;康世英;;基于Matlab的经典边缘检测算法实现及分析[J];信息与电脑(理论版);2014年10期

3 刘伟;;一种基于智能相机的机器视觉系统的设计[J];重庆工商大学学报(自然科学版);2013年11期

4 高帆;吴国平;刑晨;马丽;;TLD目标跟踪算法研究[J];电视技术;2013年11期

5 何克忠;;清华智能车技术研究[J];中国新技术新产品;2012年02期

6 姜宏志;赵慧洁;梁宵月;李冬;;基于极线校正的快速相位立体匹配[J];光学精密工程;2011年10期

7 赵高长;张磊;武风波;;改进的中值滤波算法在图像去噪中的应用[J];应用光学;2011年04期

8 张重德;张崇巍;;一种提高视频车速检测精度的方法[J];上海交通大学学报;2010年10期

9 王荣本;李琳辉;金立生;郭烈;赵一兵;;基于双目视觉的智能车辆障碍物探测技术研究[J];中国图象图形学报;2007年12期

相关博士学位论文 前2条

1 耿英楠;立体匹配技术的研究[D];吉林大学;2014年

2 施陈博;快速图像配准和高精度立体匹配算法研究[D];清华大学;2011年

相关硕士学位论文 前10条

1 鲁春;面向高速的前方行驶车辆的检测与跟踪算法研究[D];安徽工程大学;2018年

2 岳欣羽;基于双目视觉的车辆前方障碍物检测方法研究[D];吉林大学;2018年

3 王宁;基于机器视觉的前方车辆检测与跟踪[D];西南交通大学;2018年

4 方博文;基于双目视觉的智能驾驶汽车对于前方运动物体的检测与定位研究[D];太原理工大学;2018年

5 杨洁;双目立体视觉测距技术研究[D];西安理工大学;2017年

6 程一伦;基于双目视觉的智能车道路环境识别研究[D];吉林大学;2017年

7 赵聃;基于车载视频的前驶车辆测速方法与应用研究[D];合肥工业大学;2017年

8 赵天臣;运动汽车检测算法的研究[D];沈阳航空航天大学;2017年

9 韩广飞;基于视觉的智能车前方运动车辆检测与测距方法的研究[D];太原理工大学;2015年

10 焦伟;基于特征融合的车辆检测算法研究[D];合肥工业大学;2015年

本文编号：2754371