基于图像识别的车辆辅助驾驶技术研究

发布时间：2020-11-22 02:59

　　 随着科学技术和经济的快速发展,城市化步伐的加快,车辆的数目不断增多。与此同时,车载智能设备的研究受到越来越多的关注,并且相关技术也逐渐开始成熟。在众多车辆辅助技术的实际应用中,车道线检测和车辆目标检测是最常见的问题,也是最繁琐的问题。由于车辆自身的复杂性,如不同的颜色或是不同的车型,这些因素都增加了车辆目标检测的难度。同时,不同的外界环境或是拍摄装置角度放置的不同,也会对最终检测结果造成一定影响。因此,本文对车辆辅助驾驶系统中道路车道线检测和车辆目标检测进行了相关的研究,本文主要的工作如下:车道线检测,提出了改进的基于Hough变换和Kalman滤波的车道线检测算法。首先对经过预处理后的图像进行感兴趣区域的选择,然后利用逆透视变换,对视角进行转换。最后利用Hough变换和Kalman滤波算法,对车道线进行检测,并对检测结果进行筛选输出最终结果。实验结果显示,该算法在车道线检测过程中具有良好的稳定性和较高的准确性。同时也实现了基于颜色空间和边缘检测的车道线算法。通过Lab颜色空间,利用二值图像中像素点的分布,找出图像中车道线所在位置并拟合曲线。实验结果表明,该车道检测算法精度较高,有较好的适应性,能够适应大部分弯曲车道线的检测。车辆目标识别,提出并实现了基于梯度方向直方图特征和支持向量机的车辆目标识别方法。先获取所需的数据样本,提取出所需样本的HOG特征,然后通过SVM分类器进行样本训练。在提取HOG特征之前,需要对图像进行YCrCb颜色空间转换,分析出最适合提取特征的通道,然后支持向量机通过数据样本的学习,寻找出特征向量数据样本中的支持向量,生成最优超平面,最后通过扫描窗口进行搜索,标出车辆目标。
【学位单位】：中国计量大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：U463.6;TP391.41
【部分图文】：

像素点分布与模版假设，则模糊半径为1的权重矩阵如图2.4(a)所示

(a) 半径为 1 的权重矩阵 (b) 高斯模糊数值图 2.4 权重矩阵与模糊数值的所有像素点重复这个过程，就可以得到高斯滤波模糊后的图像，可以考虑分别对各个通道单独进行处理。波是一种非线性平滑滤波器[14]，是以所在区域内所有像素点

中值滤波结果
【相似文献】

相关期刊论文 前10条

1 王秋生;贺云涛;张晓辉;刘莉;;基于无人机航拍图像的车道线检测方法综述[J];无人系统技术;2019年05期

2 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

3 赵伟康;黎向锋;毕高杰;谢昌刚;李堃;杨振泰;;一种基于横截面特征的车道线检测方法[J];机械制造与自动化;2019年03期

4 姜立标;台啟龙;;基于实例分割方法的复杂场景下车道线检测[J];机械设计与制造工程;2019年05期

5 刘雁斌;;基于结构化道路的车道线检测研究[J];交通科技;2019年04期

6 马泉钧;何自超;林邦演;曾文轩;;基于图像处理的长距离车道线检测[J];河南科技;2019年29期

7 刘军;冯荣达;赵吉宾;宮海坤;;基于机器视觉的车道线检测研究[J];电子世界;2019年21期

8 孙鹏飞;宋聚宝;张婷;周玉祥;;基于视觉的车道线检测技术综述[J];时代汽车;2019年16期

9 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

10 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

相关博士学位论文 前10条

1 曲峰;基于视觉的结构化道路及障碍物检测技术研究[D];吉林大学;2019年

2 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

3 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

4 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

5 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

6 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

7 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

8 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

9 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

10 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

相关硕士学位论文 前10条

1 张应鹏;智能网联环境下协同式自适应巡航算法研究及试验验证[D];合肥工业大学;2019年

2 程超;基于机器视觉的曲线车道线识别与车道偏离预警研究[D];合肥工业大学;2019年

3 张剑锋;基于深度学习的车道线检测与车道偏离预警系统研究[D];华南理工大学;2019年

4 郑航;基于单目视觉的智能微型车车道线检测技术研究[D];上海交通大学;2018年

5 台啟龙;基于机器视觉的复杂环境车道线检测算法研究[D];华南理工大学;2019年

6 韩宜轩;基于车辆视觉环境的车道线检测与可行驶区域车辆检测研究[D];长安大学;2019年

7 赵子轩;城市智能汽车多传感可行驶区域检测算法研究[D];电子科技大学;2019年

8 陈林;基于FPGA及机器视觉的车道检测[D];电子科技大学;2019年

9 马保宁;基于机器视觉的车道线检测与车道偏离预警技术研究[D];长安大学;2019年

10 杨忱浩;基于Jetson TX2的车道线与车辆识别系统的设计与实现[D];杭州电子科技大学;2019年

本文编号：2893999