基于机器视觉的辅助驾驶中异常情况预警研究

发布时间：2020-08-08 21:44

【摘要】：随着人工智能的不断发展,越来越多的新技术进入了我们的生活,汽车的辅助驾驶系统便是其中之一。基于机器视觉的辅助驾驶中异常情况预警研究是提高驾驶员行车安全、降低交通事故的有效保障,也是发展未来无人车技术的基础。机器视觉等相关技术相较于现有的光达、雷达等硬件实现的检测技术,具有检测更准确全面、更符合人眼习惯、成本低廉、适用性强等优点。基于此,本文在总结前人目标检测,车道线检测与单目视觉测距等研究成果的基础上,在算法结构与实现上进行了创新,提出了一个兼具高准确性、实时性及鲁棒性的辅助驾驶异常情况预警系统。本文的辅助驾驶异常情况预警主要分为两个部分,目标检测跟踪模块与车辆预警模块。在目标检测跟踪模块中,选择FasterR-CNN用于目标检测,解决了使用级联分类器进行检测结果不准确的问题。并将KCF跟踪算法与Faster R-CNN相结合,提高跟踪速度。在车辆预警模块中,使用基于脊线的车道线检测,不仅增加了检测成功率,而且对于出现的单边车道线也能检测出来。最后使用单目视觉测距,结合检测的车道线对整个道路进行建模,更准确的给出预警。本文在研究上的创新如下:对FasterR-CNN网络结构进行了优化,将最后一层卷积池化层的结构参数进行了修改;将KCF进行了多模板尺度自适应的创新扩展,提高了跟踪效果;不同于以往的基于单个特征或多特征融合的车道线检测算法,本文创新性的提出了基于脊线检测加噪声过滤的检测方法,并融合优化时序RANSAC模型进行车道线建模达到提高检测准确率的目的;在单目视觉测距中,通过三维测距模型切面进行新的测距公式推导,摒弃人工测俯仰角计算摄像机内参矩阵的操作,减少了误检率。
【学位授予单位】：北京邮电大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：U463.6;TP391.41
【图文】：

场景,检测结果

逦第二章视频中多运动目标跟踪算法逡逑测结果如图２－２与图２－３所示：逡逑ＨＮＨＨ—逡逑图２－２场景１检测结果逡逑降理幵，■ｎｍｕｍｍｇｉｐｇｐｉｇ＾、ｔ—货■■邋－ａ—逡逑Ｈｉ逡逑ＭｆｅｉｆｌｌＫ－＿．邋ｍ逡逑图２－３场景２检测结果逡逑图２－２与图２－３的左侧黑色图像为帧间差分图像，可以看出图像中黑色部分逡逑为两帧间没有目标的背景图像，没有提供信息量，而白色部分就是目标前景图像。逡逑右边画面就是当前视频的画面以及框选出的运动目标的绿色矩形框，红色质心以逡逑及红色的轨迹线。通过以上两个视频场景中某一帧的效果来看，帧间差分法可以逡逑很好的实现在静态背景下对多个运动丨丨标的检测与跟踪，并丨１不会遗漏视频屮仟逡逑何一个体积小的运动物体，如阁２－３所示，单个行人这种比较小的目标也能够将逡逑其完整检测出来

场景,检测结果

光流法,黑点,画面,检测结果

此可以通过相对运动过程中的光流变化来进行运动物体的检测与跟踪。本文将使逡逑用金字塔ＬＫ光流法进行实验。在ＶＳ２０１２的平台上，采用ＯｐｅｎＣＶ２．４．６实现了逡逑金字塔ＬＫ光流法检测运动目标的方法，检测结果如下图２－４所示：逡逑ｖ０ｕｔｏｕｔＦ；ａｍｅ邋．逦—逡逑：邋肩逡逑图２－４光流法场景检测结果逡逑在图２－４中，可以发现画面左侧运动的物体表面有许多集中的黑点，就是特逡逑征点，而且每个特征点都有一个运动轨迹，可见光流法能够检测出运动的目标，逡逑并且能够对其进行轨迹的追踪。但是，该算法比较复杂，运行速度比较缓慢，帧逡逑间延时过长。而且只有物体运动速度达到一定程度才可以检测到其表面光流的变逡逑化，缓慢移动的物体用金字塔ＬＫ光流法无法检测出来。此外，它与帧差法相同，逡逑对背景的变化也十分敏感，只要背景有一阵风吹草动，整个画面的特征点都会被逡逑检测出来导致系统失效。逡逑２．３邋ＲＮＮｓ逡逑递归神经网络（ＲＮＮｓ）是一种特殊的深层架构，己应用于机器翻译、手写识别逡逑与合成、语音识别、图像标题生成、对象检测等多种方向。它独特的能力在于逡逑ＲＮＮｓ能够捕获序列的前后依赖关系，提供一种可以理解为内存的机制。广义地逡逑说

【相似文献】