基于视觉的道路障碍物检测算法及其增强现实应用

发布时间：2021-05-08 13:17

　　随着科学技术的不断发展,智能车辆辅助驾驶系统（Advanced Driver Assi stant System,ADAS）开始逐渐普及到人们的生活中。ADAS主要致力于改善驾驶员对路面信息的感知,及时提醒驾驶员道路中潜在的威胁,进而减少事故的发生率。因此,ADAS对道路障碍物检测的准确率和实时性有着很高的要求。本文在研究传统障碍物检测算法的基础上,以准确率和实时性为目标对传统算法进行了改进。本文的研究重点主要集中在以下几个方面:1、本文首先阐述了障碍物检测算法和增强现实技术（Augmented Reality,AR）的国内外研究现状,然后指明了本文的研究对象,并对本文所涉及到的相关基础理论做了详细介绍。同时,研究了图像预处理算法,包括感兴趣区域提取、图像灰度化、滤波等算法,并以鲁棒性和实时性为标准分析了各个算法的优缺点。2、为了提高系统的实时性和准确率,本文采用假设验证的方法对道路障碍物进行检测。在候选区域生成方面,为了解决传统阂值分割算法在分割道路与障碍物时造成的误分割,采用了改进的基于道路灰度直方图的自适应阈值分割算法,分割出障碍物与道路背景。对于分割后的二值图像,再根据不同宽度... 

【文章来源】：福州大学福建省 211工程院校

【文章页数】：89 页

【学位级别】：硕士

【文章目录】：
中文摘要
Abstract
第一章 绪论
    1.1 课题背景及意义
    1.2 国内外研究现状
        1.2.1 障碍物检测技术研究现状
        1.2.2 增强现实应用研究现状
    1.3 本文的研究对象
    1.4 本文主要内容及组织框架
第二章 道路障碍物检测算法及增强现实相关理论
    2.1 道路障碍物检测技术相关理论
        2.1.1 障碍物检测方法
        2.1.2 障碍物特征提取方法
        2.1.3 卷积神经网络
    2.2 图像预处理
        2.2.1 感兴趣区域提取
        2.2.2 图像灰度化
        2.2.3 图像滤波
    2.3 增强现实基本理论
        2.3.1 增强现实的坐标系定义及其关系
        2.3.2 摄像机标定
    2.4 本章小结
第三章 基于阈值分割的道路障碍物候选区域提取
    3.1 本文障碍物检测算法框架
    3.2 候选区域生成
        3.2.1 阈值分割
        3.2.2 改进的自适应阈值分割
        3.2.3 根据障碍物宽度生成候选区域
    3.3 分割评估参数
    3.4 实验结果分析
        3.4.1 实验环境
        3.4.2 阈值分割结果分析
        3.4.3 候选区域结果分析
    3.5 本章小结
第四章 基于卷积神经网络的障碍物验证
    4.1 引言
    4.2 AlexNet模型介绍
    4.3 CNN模型框架的设计与改进
        4.3.1 卷积神经网络模型参数优化
        4.3.2 引入批归一化层
    4.4 卷积神经网络模型训练
        4.4.1 网络模型训练过程
        4.4.2 训练方法和参数设定
        4.4.3 训练数据增强处理
    4.5 实验结果及分析
        4.5.1 实验环境及样本数据
        4.5.2 参数优化实验分析
        4.5.3 引入批归一化层实验分析
    4.6 本章小结
第五章 基于障碍物检测的增强现实技术研究
    5.1 系统分析
    5.2 虚拟物体注册方法
        5.2.1 特征点检测
        5.2.2 特征点描述
        5.2.3 特征点匹配
    5.3 改进的BRISK算法
    5.4 摄相机位姿计算
    5.5 实验结果与分析
        5.5.1 特征点匹配实验分析
        5.5.2 虚拟物体注册结果
        5.5.3 系统实时性分析
    5.6 本章小结
总结与展望
参考文献
致谢
个人简历
攻读硕士期间的研究成果及发表的学术论文


【参考文献】：
期刊论文
[1]基于卷积神经网络的人脸识别研究[J]. 解骏,陈玮.  软件导刊. 2018(01)
[2]机器视觉在汽车驾驶辅助系统中的应用[J]. 张琳琳,郑碧琪.  上海汽车. 2017(10)
[3]基于GoogLeNet的静态图像中人体行为分类研究[J]. 白阳,万洪林,白成杰.  电脑知识与技术. 2017(18)
[4]中国汽车工程学术研究综述·2017[J]. 《中国公路学报》编辑部.  中国公路学报. 2017(06)
[5]结合光流法的车辆运动估计优化方法[J]. 周经美,赵祥模,程鑫,徐志刚,刘占文.  哈尔滨工业大学学报. 2016(09)
[6]基于Lenet-5的卷积神经网络改进算法[J]. 李丹,沈夏炯,张海香,朱永强.  计算机时代. 2016(08)
[7]基于限制玻尔兹曼机的极限学习机方法[J]. 金培源,高波涌,陆慧娟,陈莲娜.  数学的实践与认识. 2016(11)
[8]基于平均中值离差的2维最小误差阈值分割法[J]. 宋斌,杨恢先,曾金芳,谭正华,李翠菊.  激光技术. 2015(05)
[9]LDBP和LBP特征融合的行人检测[J]. 欧阳瑞彬,王伟征,桂彦.  计算机工程与应用. 2016(12)
[10]基于梯度熵的Otsu图像分割算法[J]. 李学俊,刘祥俊,赵礼良.  计算机工程与设计. 2015(03)

硕士论文
[1]基于Otsu算法的输送带撕裂视觉检测系统研究[D]. 郭启皇.太原理工大学 2017
[2]基于图像处理的铸件缺陷自动识别系统研究[D]. 安顺林.太原科技大学 2017
[3]复杂环境下车牌识别系统中关键技术的研究与实现[D]. 周彬彬.南昌航空大学 2016
[4]自主车辆道路线检测与偏离预警方法研究[D]. 彭湃.湖南大学 2015
[5]单目视觉的动态场景下运动障碍物检测算法研究[D]. 孙燕娜.东北大学 2013
[6]基于计算机视觉的飞行器姿态估计方法研究[D]. 黄长专.南京航空航天大学 2009



本文编号：3175403