基于级联单目视觉感知技术的客运车辆危险行驶状态辨识研究
发布时间：2021-12-23 15:35
道路交通事故已成为当今人类面临的一项严重社会问题。其中大型客运车辆交通事故又是造成群死群伤道路交通事故的主要原因,而车辆驾驶人的危险及错误驾驶行为则是引起客运车辆交通事故的主导因素。尽管国内市场涌现出越来越多的驾驶客运车辆安全辅助设备,但其中一些鲁棒性较差,无法应对高速行驶、恶劣天气及路面不平度造成的视点漂移干扰。因此,开展高鲁棒性客运车辆危险行驶状态辨识关键技术研究,对提高客运车辆在途行驶安全性,具有一定的理论意义和工程应用价值。针对现有单/双目视觉技术中因视觉采集设备硬件条件限制导致的漏识别、过识别和弱识别问题,以及传统纵向危险行驶状态辨识算法在面对前方目标车辆尾部特征点存在离地间距时具有较大透视投影计算偏差的问题。本文提出了基于双级级联单目视觉构成的全覆盖式级联单目视觉车辆监测模型,通过纵向及横向发散态识别区域模型分别分析了漏识别、过识别和弱识别存在的潜在危险,结合特征点透视投影原理给出的透视投影误差修复测距算法,实现了纵向10-100m范围内的高精度距离测算。本文对通过对大量正负样本集进行离线训练,提取了车辆信息特征,以Haar-like特征作为目标描述方法,融合Adaboos...
【文章来源】：长安大学陕西省 211工程院校 教育部直属院校
【文章页数】：131 页
【学位级别】：博士
【部分图文】：
部分正负样本数据
图 2.5 兴趣区域静态初选实验实验可得图像 3/4 高度以上均为天空区域，经实际道路实验验证 本文采用离线实验的测试方法来验证文中提出的车辆识别的路车载视频的 100帧图像作为测试样本，图 2.6 给出了部分帧目验结果表明，基于 Haar-like特征和 Adaboost 的车辆识别算法平测准确率为91%以上， 误检率为 9%左右，能够有效去除其它非本侧阴影干扰，提高了系统的检测鲁棒性以及实时性
图 2.5 兴趣区域静态初选实验由静态实验可得图像 3/4 高度以上均为天空区域，经实际道路实验验证静态结果符合实际情况 本文采用离线实验的测试方法来验证文中提出的车辆识别的相关算法，选取高速公路车载视频的 100帧图像作为测试样本，图 2.6 给出了部分帧目标车辆的识别结果 实验结果表明，基于 Haar-like特征和 Adaboost 的车辆识别算法平均检测速率28ms， 检测准确率为91%以上， 误检率为 9%左右，能够有效去除其它非本车道内的车辆及道路两侧阴影干扰，提高了系统的检测鲁棒性以及实时性
【参考文献】：
期刊论文
[1]复杂环境背景下车辆目标识别研究综述[J]. 谢晓竹,何成. 兵器装备工程学报. 2017(06)
[2]基于计算机视觉的运动车辆检测[J]. 程淑红,高许,程树春,管永来. 计量学报. 2017(03)
[3]面向雾天的双先验兴趣区域车道线识别算法研究[J]. 周劲草,魏朗,乔洁. 中国安全科学学报. 2016(08)
[4]基于类Haar特征和AdaBoost的车辆识别技术[J]. 张雪芹,方婷,李志前,董明杰. 华东理工大学学报(自然科学版). 2016(02)
[5]基于优先像素与卡尔曼滤波追踪的车道线检测[J]. 陈涛,张洪丹,陈东,谭纯. 汽车工程. 2016(02)
[6]基于弱分类器调整的多分类Adaboost算法[J]. 杨新武,马壮,袁顺. 电子与信息学报. 2016(02)
[7]基于粒子滤波框架Catmull-Rom样条的多车道侦测及跟踪算法研究[J]. 陈孟元. 电子测量与仪器学报. 2015(10)
[8]基于特征融合的视觉导航智能车辆的车道识别[J]. 李进,陈杰平,易克传,徐朝胜. 汽车工程. 2015(05)
[9]应用匹配滤波器的车道线恒虚警率识别方法[J]. 宋晓琳,张三林,张伟伟. 电子测量与仪器学报. 2015(03)
[10]雾环境下非视距散射光通信最佳链路分析[J]. 林勇,徐智勇,汪井源,宋超,王荣,耿常锁. 红外与激光工程. 2015(02)
博士论文
[1]基于环境感知技术的客运车辆危险行驶状态辨识技术研究[D]. 刘永涛.长安大学 2015
[2]面向高速公路行车安全预警的车道偏离及换道模型研究[D]. 罗强.华南理工大学 2014
[3]客运车辆危险行驶状态机器视觉辨识系统研究[D]. 杨炜.长安大学 2013
[4]受随机激励车辆非平稳行驶平顺性分析及控制研究[D]. 张丽萍.东北大学 2012
[5]基于DSP的高速公路车道偏离报警系统研究[D]. 陈军.天津大学 2010
[6]基于单目视觉的安全车距预警系统研究[D]. 顾柏园.吉林大学 2006
[7]高速汽车车道偏离预警系统可行区域感知算法研究[D]. 毕雁冰.吉林大学 2006
硕士论文
[1]汽车平顺性与操纵稳定性协同研究与仿真实现[D]. 王维.吉林大学 2016
[2]车辆随机振动响应分析与计算[D]. 吕士宝.兰州交通大学 2013
[3]基于视觉特征的图像质量评价算法[D]. 陈玉坤.西安电子科技大学 2013
[4]基于机器视觉的车道线检测与追踪系统的研究[D]. 秦敏.中国海洋大学 2012
[5]路面激励下大客车平顺性虚拟仿真技术与评价体系研究[D]. 陈俊杰.长安大学 2012
[6]基于立体视觉的安全行车距离测量方法研究[D]. 崔雪.长春工业大学 2012
本文编号：3548739
【文章来源】：长安大学陕西省 211工程院校 教育部直属院校
【文章页数】：131 页
【学位级别】：博士
【部分图文】：
部分正负样本数据
图 2.5 兴趣区域静态初选实验实验可得图像 3/4 高度以上均为天空区域，经实际道路实验验证 本文采用离线实验的测试方法来验证文中提出的车辆识别的路车载视频的 100帧图像作为测试样本，图 2.6 给出了部分帧目验结果表明，基于 Haar-like特征和 Adaboost 的车辆识别算法平测准确率为91%以上， 误检率为 9%左右，能够有效去除其它非本侧阴影干扰，提高了系统的检测鲁棒性以及实时性
图 2.5 兴趣区域静态初选实验由静态实验可得图像 3/4 高度以上均为天空区域，经实际道路实验验证静态结果符合实际情况 本文采用离线实验的测试方法来验证文中提出的车辆识别的相关算法，选取高速公路车载视频的 100帧图像作为测试样本，图 2.6 给出了部分帧目标车辆的识别结果 实验结果表明，基于 Haar-like特征和 Adaboost 的车辆识别算法平均检测速率28ms， 检测准确率为91%以上， 误检率为 9%左右，能够有效去除其它非本车道内的车辆及道路两侧阴影干扰，提高了系统的检测鲁棒性以及实时性
【参考文献】：
期刊论文
[1]复杂环境背景下车辆目标识别研究综述[J]. 谢晓竹,何成. 兵器装备工程学报. 2017(06)
[2]基于计算机视觉的运动车辆检测[J]. 程淑红,高许,程树春,管永来. 计量学报. 2017(03)
[3]面向雾天的双先验兴趣区域车道线识别算法研究[J]. 周劲草,魏朗,乔洁. 中国安全科学学报. 2016(08)
[4]基于类Haar特征和AdaBoost的车辆识别技术[J]. 张雪芹,方婷,李志前,董明杰. 华东理工大学学报(自然科学版). 2016(02)
[5]基于优先像素与卡尔曼滤波追踪的车道线检测[J]. 陈涛,张洪丹,陈东,谭纯. 汽车工程. 2016(02)
[6]基于弱分类器调整的多分类Adaboost算法[J]. 杨新武,马壮,袁顺. 电子与信息学报. 2016(02)
[7]基于粒子滤波框架Catmull-Rom样条的多车道侦测及跟踪算法研究[J]. 陈孟元. 电子测量与仪器学报. 2015(10)
[8]基于特征融合的视觉导航智能车辆的车道识别[J]. 李进,陈杰平,易克传,徐朝胜. 汽车工程. 2015(05)
[9]应用匹配滤波器的车道线恒虚警率识别方法[J]. 宋晓琳,张三林,张伟伟. 电子测量与仪器学报. 2015(03)
[10]雾环境下非视距散射光通信最佳链路分析[J]. 林勇,徐智勇,汪井源,宋超,王荣,耿常锁. 红外与激光工程. 2015(02)
博士论文
[1]基于环境感知技术的客运车辆危险行驶状态辨识技术研究[D]. 刘永涛.长安大学 2015
[2]面向高速公路行车安全预警的车道偏离及换道模型研究[D]. 罗强.华南理工大学 2014
[3]客运车辆危险行驶状态机器视觉辨识系统研究[D]. 杨炜.长安大学 2013
[4]受随机激励车辆非平稳行驶平顺性分析及控制研究[D]. 张丽萍.东北大学 2012
[5]基于DSP的高速公路车道偏离报警系统研究[D]. 陈军.天津大学 2010
[6]基于单目视觉的安全车距预警系统研究[D]. 顾柏园.吉林大学 2006
[7]高速汽车车道偏离预警系统可行区域感知算法研究[D]. 毕雁冰.吉林大学 2006
硕士论文
[1]汽车平顺性与操纵稳定性协同研究与仿真实现[D]. 王维.吉林大学 2016
[2]车辆随机振动响应分析与计算[D]. 吕士宝.兰州交通大学 2013
[3]基于视觉特征的图像质量评价算法[D]. 陈玉坤.西安电子科技大学 2013
[4]基于机器视觉的车道线检测与追踪系统的研究[D]. 秦敏.中国海洋大学 2012
[5]路面激励下大客车平顺性虚拟仿真技术与评价体系研究[D]. 陈俊杰.长安大学 2012
[6]基于立体视觉的安全行车距离测量方法研究[D]. 崔雪.长春工业大学 2012
本文编号：3548739
本文链接：https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/3548739.html
