基于机器视觉的复杂环境下车道线检测方法研究

发布时间：2021-02-21 19:43

　　智能驾驶技术是未来汽车发展的必然趋势,环境感知是智能驾驶的基础,车道线检测是环境感知的一个部分。在复杂环境下,基于视觉的车道线检测存在车道线目标难以提取、虚线弯道拟合准确率低等问题。针对这些问题,本文进行了以下三个方面的研究:首先,本文提出了复杂环境下的车道线目标提取方法。在提取出道路图像感兴趣区域并对其进行颜色空间转换之后,针对复杂环境下的车道线目标难以提取的问题,在车道线初始检测阶段,提出基于方向梯度直方图和支持向量机的分窗口阈值分割算法;在车道线跟踪阶段,提出基于最大类间方差法的多次阈值分割算法对车道线目标进行提取。实验结果表明,与传统阈值分割算法相比,本文提出的阈值分割方法在复杂环境下的分割效果更好,适应性更强。其次,本文提出了基于车道宽度匹配的自适应车道线检测算法。在提取出车道线特征点并过滤其中的噪点之后,提出基于最小二乘法的分段自适应曲线拟合算法,实现了根据车道线特征点分布对不同场景下车道线的自适应拟合。针对车道线缺失以及虚线拟合的问题,提出车道宽度匹配算法,根据车道宽度特性对车道线检测结果进行优化。实验结果表明,本文提出的车道线拟合算法实时性较高,且与其他曲线拟合算法相比... 

【文章来源】：武汉理工大学湖北省 211工程院校 教育部直属院校

【文章页数】：80 页

【学位级别】：硕士

【部分图文】：

透视投影模型

ROI提取

武汉理工大学硕士学位论文F = r [ R ] + g [ G ] +b[ B]别代表 RGB 图像的红、绿、蓝三个分量，其取值例进行调整，颜色 F 会随之变化。有一个颜色通道，区别于彩色图像各像素点具程度的灰色对图像进行描述，一般将灰色深浅分”，灰度级为 255 的像素是白色，灰度级为 0 张灰度图上某一行的各像素点灰度值。

【参考文献】：
期刊论文
[1]结合Hough变换与Kalman滤波的车道线检测方法[J]. 郭笙听,李子印,赵储.  中国计量大学学报. 2017(04)
[2]方向梯度直方图综述[J]. 刘方园,王水花,张煜东.  计算机工程与应用. 2017(19)
[3]基于SVM-LeNet模型融合的行人检测算法[J]. 邹冲,蔡敦波,赵娜,刘莹,赵彤洲.  计算机工程. 2017(05)
[4]一种基于边缘点投影的车道线快速识别算法[J]. 陈无畏,蒋玉亭,谈东奎.  汽车工程. 2017(03)
[5]基于动态感兴趣区域的光照无关车道线检测算法[J]. 鱼兆伟,吴晓波,沈林.  计算机工程. 2017(02)
[6]基于TopHat分割和曲线模型的三车道检测方法[J]. 段建民,战宇辰,刘冠宇.  北京工业大学学报. 2016(08)
[7]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)
[8]车道偏离预警系统研究综述[J]. 罗强,袁杰,胡三根,臧晓冬.  自动化技术与应用. 2015(08)
[9]基于Beamlet和K-means聚类的车道线识别[J]. 肖进胜,程显,李必军,高威,彭红.  四川大学学报(工程科学版). 2015(04)
[10]基于改进最小二乘法拟合的车道线检测[J]. 刘波,耿韬.  信息技术. 2015(04)

博士论文
[1]智能车辆视觉感知中的车道标线识别方法的研究[D]. 贾鑫.吉林大学 2008

硕士论文
[1]基于视觉的车道线检测技术研究[D]. 侯长征.西南交通大学 2017
[2]基于深度学习的车道线检测系统的设计与实现[D]. 李松泽.哈尔滨工业大学 2016
[3]车道偏离预警系统关键技术研究[D]. 田鹏.辽宁工业大学 2016
[4]基于Kalman滤波跟踪的车道偏离预警方法研究[D]. 孙旺旺.长安大学 2015
[5]曲线拟合原理及其应用研究[D]. 盛立锃.长沙理工大学 2015
[6]基于视觉的复杂光照条件下的车道检测及识别[D]. 马小龙.电子科技大学 2013
[7]基于视觉的车道线检测与识别[D]. 谢茜.武汉理工大学 2013
[8]基于单目视觉的车道偏离预警系统设计[D]. 马超.电子科技大学 2011
[9]基于方向可调滤波器的车道线识别方法研究[D]. 刘燕兵.电子科技大学 2009



本文编号：3044826