基于机器视觉的道路及车辆检测技术研究

发布时间：2017-04-05 22:11

  本文关键词：基于机器视觉的道路及车辆检测技术研究，，由笔耕文化传播整理发布。

【摘要】：随着交通系统的发展以及科技的进步,智能交通系统(Intelligent Transportation System,简称ITS)受到了广泛关注并快速发展。作为智能交通系统至关重要的一部分以及未来车辆的发展方向,智能车(Intelligent Vehicle,简称IV)这个集环境感知、路径规划和安全驾驶功能于一体的智能系统正在迅速发展。基于机器视觉的环境感知是智能车系统中一个很重要的部分。本文以北京工业大学智能电动车BJUT-IV为平台,基于单目视觉传感器,对智能车的环境感知进行了研究。重点研究内容包括如下四个方面:图像预处理、车道线检测、前方车辆识别、坐标变换及状态预警。首先,针对路面环境特点对智能车车载摄像头采集的原始图像进行图像预处理。针对道路环境,采用加权平均法对图像灰度化处理。对图像进行双边滤波降噪,在抑制噪声的同时尽可能保留物体边缘信息。对行车环境中的不同光照情况进行分类,根据不同光照采取不同灰度拉伸方法。其次,针对于多车道的行车环境提出了一种三车道检测方法。针对路面环境提出了基于变内核TopHat的车道线分割算法,有效减小了环境变换对车道线分割的影响。提出了一种利用三车道直线模型对车道线进行定位的方法,方法以基于θ轴方向的双抛物线密度函数的Hough变换对图像进行直线搜寻,以加权最小二乘法拟合道路消失点筛选直线,并对直线进行聚类,并根据匹配标准在极坐标下与三车道模型进行匹配。提出了一种曲线车道线搜索方法,区分近视景区与远视景区将车道线与感兴趣区迭代搜索,并在对比了两种车道线拟合方法后选择最小二乘法拟合三次曲线模型以确定车道线。在用于车道线保持的Kalman滤波过程中对车道线存在性进行滤波,解决了连续的视频中车道线闪现的问题。提出了基于随机投种法的边侧车道可行驶性判定方法,解决了三车道识别中两侧车道误检测的问题。实验证明算法检测率较高并具有较强的环境适应性。而后,提出了基于多特征的车辆识别方法。利用最大类间方差法求取先验熵阈值,并利用熵单元格在感兴趣区内搜索车辆。提出了熵单元格合并规则以排除路面高图像复杂度的小区域的干扰。基于车道线等路面标志与车辆阴影的灰度差异,利用车辆阴影对基于图像熵的车辆识别进行筛选,优化车辆识别效果。应用Kalman滤波对车辆位置进行预测,减小识别方法的感兴趣区,提升了算法效率。实验结果表明算法识别率较高,能够适应复杂路面以及光照变化且具有较好的实时性。最后,分析了车载摄像机的成像模型并推导了图像坐标系与智能车车辆坐标系间的转换关系。利用坐标变换以及道路检测结果对智能车进行定位,并根据位置信息与前方车辆位置计算智能车预警信息,保障行车安全。为验证文中算法的性能,设计并编写了智能车行车辅助软件并以BJUT-IV智能车为基础进行实验。结果表明,系统达到预期目标并且具有良好的环境适应性和实时性。
【关键词】：智能车 环境感知 机器视觉 车道线检测 车辆识别 行车预警
【学位授予单位】：北京工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U495;TP391.41
【目录】：

• 摘要4-6
• ABSTRACT6-11
• 第1章 绪论11-23
• 1.1 引言11-12
• 1.2 智能车辆技术概述12-17
• 1.2.1 国外智能车辆概况12-15
• 1.2.2 国内智能车辆概况15-16
• 1.2.3 成熟的智能车辆辅助驾驶产品16-17
• 1.3 基于视觉的智能车导航技术17-20
• 1.3.1 视觉导航技术优点17-18
• 1.3.2 基于机器视觉的道路识别18
• 1.3.3 基于机器视觉的前方车辆识别18-19
• 1.3.4 存在问题与课题需求19-20
• 1.4 课题方案及主要研究内容20-23
• 1.4.1 课题总体方案20-21
• 1.4.2 课题研究内容与意义21-23
• 第2章 图像预处理23-31
• 2.1 引言23
• 2.2 灰度化23-25
• 2.3 图像降噪25-27
• 2.4 图像增强27-29
• 2.4.1 光照强度分类27-28
• 2.4.2 灰度拉伸28-29
• 2.5 本章小结29-31
• 第3章 三车道检测与跟踪31-59
• 3.1 引言31-32
• 3.2 车道线预处理32-38
• 3.2.1 车道线分割算法32-33
• 3.2.2 TopHat算法33-34
• 3.2.3 变内核TopHat算法增强直线车道线34-36
• 3.2.4 边缘检测36-38
• 3.3 基于直线模型的多车道线定位38-44
• 3.3.1 基于双抛物线密度函数的Hough变换38-40
• 3.3.2 基于加权最小二乘法（WLS）的道路消失点拟合40-42
• 3.3.3 直线聚类42
• 3.3.4 直线车道模板匹配42-44
• 3.4 曲线车道线搜索及拟合44-48
• 3.4.1 车道线搜索ROI划定44-45
• 3.4.2 近视景区ROI45-46
• 3.4.3 远视景区ROI及种子点的迭代搜索46
• 3.4.4 车道线拟合46-48
• 3.5 车道线KALMAN滤波48-51
• 3.5.1 Kalman滤波器算法49-50
• 3.5.2 车道线的Kalman滤波器模型50-51
• 3.6 多车道可行驶性判定51-53
• 3.6.1 多车道环境的可行驶性问题51-52
• 3.6.2 基于随机投种法的边侧车道可行驶性判定52-53
• 3.7 实验与分析53-57
• 3.8 本章小结57-59
• 第4章 基于多特征的车辆识别方法59-71
• 4.1 引言59-60
• 4.2 基于图像熵的车辆识别60-64
• 4.2.1 图像熵搜索60-62
• 4.2.2 熵单元格合并62-63
• 4.2.3 车辆边缘确定63-64
• 4.3 基于车辆阴影的车辆判别方法64-66
• 4.3.1 道路灰度提取与判定65
• 4.3.2 底盘阴影提取与判定65-66
• 4.4 基于KALMAN滤波的车辆跟踪与预测66-68
• 4.5 实验与分析68-70
• 4.6 本章小结70-71
• 第5章 坐标变换和状态预警71-81
• 5.1 引言71
• 5.2 摄像机坐标变换71-76
• 5.2.1 摄像机模型72
• 5.2.2 坐标转换72-76
• 5.3 车辆定位76-77
• 5.4 车辆状态预警77-80
• 5.5 本章小结80-81
• 第6章 行车辅助软件与智能车硬件平台81-91
• 6.1 引言81
• 6.2 软件平台81-87
• 6.2.1 软件平台构建82-83
• 6.2.2 软件平台模块及功能83-87
• 6.3 智能车实验平台87-88
• 6.4 摄像机安装及标定88-90
• 6.5 本章小结90-91
• 结论与展望91-93
• 参考文献93-99
• 攻读硕士学位期间发表的学术论文99-101
• 致谢101

【相似文献】

中国期刊全文数据库 前10条

1 田炳香;郑榜贵;吴晴;;高速公路车道线检测与跟踪算法研究[J];现代电子技术;2008年09期

2 郭磊;李克强;王建强;连小珉;;应用方向可调滤波器的车道线识别方法[J];机械工程学报;2008年08期

3 余厚云;张为公;;直线模型下的车道线跟踪与车道偏离检测[J];自动化仪表;2009年11期

4 余厚云;张为公;;基于动态感兴趣区域的车道线识别与跟踪[J];工业仪表与自动化装置;2009年05期

5 刘富强;张姗姗;朱文红;李志鹏;;一种基于视觉的车道线检测与跟踪算法[J];同济大学学报(自然科学版);2010年02期

6 高德芝;段建民;杨磊;杨喜宁;;应用多阶动态规划的车道线识别方法[J];机械工程学报;2011年08期

7 徐后杰;李会方;缪国锋;;基于单目视觉的车道线分离警告算法研究[J];微处理机;2011年03期

8 刘振超;孔斌;王俊;黄俊杰;;水平亮度微分在车道线检测中的使用[J];仪表技术;2012年07期

9 高志峰;汪渤;周志强;徐方芳;;一种鲁棒的非平坦路面车道线检测算法[J];北京理工大学学报;2013年01期

10 柴灿;郎朗;;嵌入式实时车道线偏移快速侦测算法及系统实现[J];新余学院学报;2014年04期

中国重要会议论文全文数据库 前8条

1 毕雁冰;;提高车道线识别精度的一种方法[A];第三届中国CAE工程分析技术年会论文集[C];2007年

2 杨广林;苗冬霜;;结构化道路车道线检测与跟踪算法[A];2005年全国理论计算机科学学术年会论文集[C];2005年

3 刘晓龙;邓志东;;基于全局与局部模型相互制约及具有模型不确定性评估的车道线检测方法[A];2013年中国智能自动化学术会议论文集（第三分册）[C];2013年

4 张洁颖;王生进;丁晓青;;基于车辆轨迹的车道线检测与划分[A];图像图形技术与应用进展——第三届图像图形技术与应用学术会议论文集[C];2008年

5 余贵珍;李芹;王迪;;车辆智能化车道线跟踪方法研究[A];第八届中国智能交通年会优秀论文集——智能交通与安全[C];2013年

6 李钢;圣华;张仁斌;;基于LMedSquare选取最佳子集的车道线检测算法[A];2009全国虚拟仪器大会论文集（二）[C];2009年

7 刘天辉;李飞;;车辆视觉导航中道路检测算法研究[A];第十一届沈阳科学学术年会暨中国汽车产业集聚区发展与合作论坛论文集（信息科学与工程技术分册）[C];2014年

8 孙晓军;李华;;基于Facet模型的一种车道线提取方法[A];第八届中国智能交通年会论文集[C];2013年

中国博士学位论文全文数据库 前5条

1 杜明芳;基于视觉的自主车道路环境理解技术研究[D];北京理工大学;2015年

2 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

3 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

4 沈\

本文编号：287770