基于机器视觉的道路和车辆检测技术研究

发布时间：2020-11-04 06:04

　　 近年来,汽车保有量随着经济的繁荣不断增加,因车道偏离、汽车碰撞导致的交通安全事故也随之增长。为了减少这些事故造成的人员伤亡和财产损失,汽车生产商和研究机构都加大了对车辆安全预警系统的研究投入,基于视觉传感器的前方信息检测和安全预警系统因为其造价低廉、信息丰富直观的优点而得到国内外研究者的青睐。本文结合北京工业大学BJUT-IV智能车平台和视觉传感器,对基于机器视觉的道路和车辆检测技术进行了研究,包括图像坐标系与路面坐标系之间的坐标变换、图像预处理、车道线检测、车辆检测、车道偏离及碰撞预警方法。本文完成的主要工作如下:1)介绍了BJUT-IV智能车平台的软硬件系统和视觉传感器的选型,并根据视觉传感器的成像模型对图像坐标系与路面坐标系之间的坐标变换进行了研究。2)针对车辆前方环境特点对智能车的车载摄像机采集的原始图像进行图像预处理。根据道路信息的组成,截取车道线感兴趣区以去除无关信息。针对道路环境,采用加权平均法进行灰度化处理。对图像进行双边滤波降噪以抑制噪声。3)针对车道线检测过程中阈值分割算法在存在车辆、道路围栏、树木阴影和道路泛白等干扰因素时难以取得理想的效果的问题,提出了一种基于改进简单图像统计(Simple Image Statistics,SIS)阈值分割和改进顺序随机抽样一致性(Random Sample Consensus,RANSAC)相结合的车道线检测算法。首先根据车道线与背景的灰度差改进了SIS阈值分割算法,与最大类间方差法和Bernsen法等常见的阈值分割算法相比,该算法在复杂环境中适应性更好。其次,在车道线检测阶段构建车道线模型并将车道线模型简化为双曲线模型,然后采用改进的顺序RANSAC算法拟合车道线,与传统的RANSAC方法相比准确率高。最后根据两边的车道线模型进行模型配对,通过选取最多支持数据点的组合确定车道线,该方法可以根据车道线数量自动调整车道线感兴趣区的数量。4)提出了基于车底阴影和Haar特征的车辆检测方法。针对Haar特征和级联分类器难以满足实时性要求的问题,利用车底阴影和周围环境的灰度差异分割阴影区域,然后对图像进行形态学处理,最后将包含所有阴影区域的外接矩形作为车辆感兴趣区并利用Haar特征和级联分类器在感兴趣区内进行车辆检测。实验结果表明该方法在不降低召回率和准确率的前提下提高了算法的实时性。5)提出了在路面坐标系下根据车道线的位置估计车辆位置的方法,并根据车辆与车道线之间的距离进行车道偏离预警。然后对路面坐标系下车辆与前方车辆之间距离的计算方法进行了研究,并根据距离信息为车辆提供碰撞预警。最后,根据课题工作编写了基于MFC的测试软件并验证算法的实用性。
【学位单位】：北京工业大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP391.41;U495
【部分图文】：

的研究最早开始于 20 世纪 50 年代，一些自动驾驶引导车辆自动行驶，智能汽车被赋予了无人、主动，作为现代车辆的一种分支以及未来的发展趋势领域内的竞争日渐激烈，甚至许多来自汽车行业研究者认为，半自动驾驶汽车最快将在未来三到人们的生活中，并且随着人们对于驾驶感受及经济能车辆概况车技术研究领域，美国凭借其充足的资金投入和强先地位。美国国防部于 90 年代研制的智能侦察车平，是早期军用智能车领域的较为成功的产品。DEM小型无人车。该智能车可以在高速行驶（正常道路平动避障。此外，DEMO III 可以判定不同地形并自动

NavLab 系列已经发展到了 NavLab-11，NavLab-11 改装自 Jeep 的牧马人，如图1-2 所示，该车搭载了陀螺仪、GPS、激光扫描仪、激光雷达和全景摄像机，实现的功能包括行人检测、周边环境检测等[6]。图 1-3 牛津大学 RobotCarFig. 1-3 Oxford RobotCar由牛津大学机器人研究所研制的自动驾驶汽车 RobotCar 由一辆日产电动汽车改装而来，如图 1-3 所示，激光雷达和摄像机合适地安装在车辆周围，利用一台计算机进行信息处理和车辆控制。该车没有安装 GPS 系统，完全依赖自主的环境感知。由美国国防部先进研究项目局（DARPA）牵头组织的无人车挑战赛从 2004年开始。第一届的赛道在美国的 Mojave 沙漠，全长 240 公里，当时没有一支参赛队伍能跑完全程。智能车挑战赛第一个冠军出现在 2005 年

图 1-2 美国 NvaLab 11 智能汽车Fig. 1-2 America NvaLab 11 intelligent vehicle，自 1984 年以来，美国的卡内基梅隆大学(CMU)机 系列实验车进行研发，包括一系列的智能汽车、货车6 年 6 月，NavLab-5 以 88.5km/h 的平均速度行驶 45，整个驾驶过程中自动驾驶的里程数占到总里程数的已经发展到了 NavLab-11，NavLab-11 改装自 Jeep 的车搭载了陀螺仪、GPS、激光扫描仪、激光雷达和全行人检测、周边环境检测等[6]。
【相似文献】

相关期刊论文 前10条

1 骆济焕;兰凤崇;陈吉清;;联合图像处理和目标约束的车道线检测方法[J];汽车工程学报;2019年01期

2 李福俊;顾敏明;;车道线实时检测与偏离预警系统设计与研究[J];光电子·激光;2018年03期

3 方睿;;基于视觉的车道线检测技术综述[J];内江科技;2018年07期

4 王爽;;车道线检测专利技术综述[J];中国新通信;2017年24期

5 朱亚萍;李永强;;基于视觉的缩微车车道线检测[J];杭州电子科技大学学报(自然科学版);2017年01期

6 孙家阔;刘扬;;基于城市实景影像的车道线检测方法研究[J];城市勘测;2017年03期

7 蔡渤;;低光照环境中车道线检测方法[J];襄阳职业技术学院学报;2017年03期

8 隋靓;党建武;王阳萍;;基于分段切换模型的快速车道线检测[J];计算机应用与软件;2017年08期

9 程文冬;沈云波;魏庆媛;;面向复杂道路环境的车道线快速检测方法[J];机械设计与制造;2017年11期

10 宣寒宇;刘宏哲;袁家政;李青;牛小宁;;一种鲁棒性的多车道线检测算法[J];计算机科学;2017年11期

相关博士学位论文 前10条

1 于泳;应用于智能车的车道信息感知及增量建模技术研究[D];吉林大学;2018年

2 穆柯楠;基于车—路视觉协同的行车环境感知方法研究[D];长安大学;2016年

3 王俊;无人驾驶车辆环境感知系统关键技术研究[D];中国科学技术大学;2016年

4 沈峘;智能车辆视觉环境感知技术的研究[D];南京航空航天大学;2010年

5 刘志峰;车辆集成式横向安全预警系统及其关键技术[D];清华大学;2011年

6 张万枝;机器视觉感知下的车辆主动安全技术若干问题研究[D];山东大学;2015年

7 徐洋;先进驾驶员辅助驾驶系统关键技术研究[D];重庆大学;2017年

8 陈龙;城市环境下无人驾驶智能车感知系统若干关键技术研究[D];武汉大学;2013年

9 陈军;基于DSP的高速公路车道偏离报警系统研究[D];天津大学;2010年

10 王超;面向智能车辆的单目视觉行车安全信息检测与识别方法研究[D];南京理工大学;2016年

相关硕士学位论文 前10条

1 孙家阔;基于可量测实景的城市车道线自动提取方法[D];北京建筑大学;2018年

2 范宝正;结构化道路车道线的单目视觉检测方法研究[D];湖南大学;2018年

3 郭亮;车道线识别及车辆偏移距离计算新方法[D];北京交通大学;2018年

4 董莹莹;基于机器视觉的车辆和车道线检测研究[D];湖南大学;2018年

5 王乃汉;智能车辆视觉系统中车道线与车辆识别技术研究[D];合肥工业大学;2018年

6 张嘉明;基于机器视觉的车道保持控制算法研究[D];合肥工业大学;2018年

7 刘萌雅;基于视觉的道路信息识别技术研究[D];大连交通大学;2016年

8 潘磊成;基于机器视觉的车道线检测及跟踪方法研究[D];哈尔滨工程大学;2018年

9 李信言;基于机器视觉的车道偏离预警系统研究[D];长安大学;2018年

10 郭志超;ADAS中车道线识别及车道偏离判断方法研究[D];长安大学;2018年

本文编号：2869730