基于深度学习的单目视觉车辆检测与跟踪研究

发布时间：2020-04-11 05:35

【摘要】：随着交通事故的频发,交通事故引发的一系列安全问题已经受到了社会的广泛关注。面对日益严峻的交通安全形势,发展汽车智能辅助驾驶系统已成为当前汽车行业的迫切要求,而车辆前向碰撞预警系统则是汽车智能辅助驾驶系统中重要的一部分。车辆的检测与跟踪算法在该系统中起到了至关重要的作用。视觉系统可以从周围环境中获取丰富的内容,因而利用视觉进行车辆的检测与跟踪一直是研究人员的研究热点。近年来深度学习发展迅速,本文致力于基于深度学习的单目视觉车辆检测与跟踪算法研究,设计了一套车辆前向碰撞预警系统。论文首先对图像进行预处理,并基于车道线特征设计了边缘检测算法检测车道线的边缘;利用车道线的感兴趣区域改进Hough变换,对预处理后的图像进行车道线的识别。结果表明本文的边缘检测算法可以有效地过滤干扰物体,以便更为准确地识别车道线。其次研究了深度学习算法,采集视频并标注训练样本,设计卷积神经网络并基于Faster-RCNN对其进行训练,同时利用车道线区域进行车辆感兴趣区域的划分,最后完成车辆的检测任务。结果表明深度学习算法可以提高车辆的正确识别率,在多种复杂状况下对车辆仍具有很好的检测效果。再次研究了卡尔曼滤波跟踪算法以及全局域最近邻(Global Nearest Neighbor,GNN)数据关联算法,将卡尔曼滤波跟踪算法以及全局域最近邻数据关联算法应用于视频序列的车辆目标跟踪,结果表明应用本文的车辆跟踪算法可以进一步提高车辆的检测效果。最后对摄像机的参数进行了标定,并通过逆透视变换完成了图像空间与实际空间的转换,从而计算出图像目标的实际距离,利用摄像机采集的数据与标准PC机进行车辆前向碰撞预警系统的设计。
【图文】：

图 1.1 百度无人车Fig 1.1 Baidu unmanned vehicle课题来源与本文主要工作1 课题来源本课题来源于安徽省科技重大专项计划项目《智能纯电动汽车整车控制术研究》。2 论文主要研究内容本文主要对先进驾驶辅助系统的车辆检测与跟踪算法进行研究。首先对预处理并基于车道线特征完成边缘检测，对车道线进行拟合，，利用识别的域提取出车辆的感兴趣区域，然后采集道路视频制作车辆数据集，将数据域生成网络（RegionProposalNetwork，RPN）训练直至网络收敛，再提取训练得到的卷积层网络参数，将这些卷积层网络参数输入 Fast-RCNN 网练直至网络收敛，最后将各个网络层的参数输入车辆检测模型。最后对感

1 2 1 用上述的高斯卷积模板对图像进行高斯平滑滤波的处理结果如图 2 2.2（a）表示的是高斯滤波前的图像，图 2.2（b）表示的是使用高斯后的图像。（a）高斯滤波前
【学位授予单位】：合肥工业大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：U463.6

【参考文献】

相关期刊论文 前10条

1 王宝锋;齐志权;马国成;陈思忠;;一种基于雷达和机器视觉信息融合的车辆识别方法[J];汽车工程;2015年06期

2 易世春;李克强;郭君斌;高秀丽;;基于边缘分布及特征聚类的车道标记线检测[J];汽车工程;2014年10期

3 张海林;罗禹贡;江青云;李克强;;基于电动助力转向的车道保持系统[J];汽车工程;2013年06期

4 陈中华;王国宏;关成斌;谭顺成;;基于修正全局最近邻的有系统偏差的航迹关联算法[J];弹箭与制导学报;2012年01期

5 唐永鹤;胡谋法;卢焕章;;抗噪型Sobel边缘检测算法及其硬件加速设计[J];计算机工程;2011年24期

6 孔军;汤心溢;蒋敏;刘士建;李丹;;基于多尺度特征提取的Kalman滤波跟踪[J];红外与毫米波学报;2011年05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 郑俊;龚声蓉;刘纯平;;一种使用校正模板的非线性摄像机标定方法[J];计算机工程与应用;2011年31期

9 罗敏;王琰;;一种利用Roberts-Zernike矩的亚像素边缘检测方法[J];计算机工程与应用;2011年05期

10 张铖伟;王彪;徐贵力;;摄像机标定方法研究[J];计算机技术与发展;2010年11期

相关硕士学位论文 前5条

1 周洋;结合弯道检测的车辆前向碰撞预警系统研究[D];北京理工大学;2016年

2 韦唯;基于单目视觉的车道线识别方法研究[D];吉林大学;2015年

3 刘媛;基于机器视觉的车道偏离预警系统关键算法研究[D];湖南大学;2013年

4 胡波;基于Mean Shift算法和卡尔曼滤波的视频目标跟踪技术研究[D];宁波大学;2010年

5 邓明哲;高速公路追尾碰撞预防报警系统的研究[D];武汉理工大学;2006年

本文编号：2623217