基于机器视觉的车道线检测与跟踪关键技术研究
发布时间：2021-07-21 12:45
近年来,为减少道路交通事故,保障行车安全,汽车的智能辅助驾驶技术成为研究热点。车道线检测与跟踪技术作为智能辅助驾驶的关键技术之一,通过实时检测车道线,为驾驶员提供车道线偏离预警服务。车道线检测是在车载摄像机实时采集的道路图像上,提取其中的车道线。车道线跟踪是根据前一帧检测到的车道信息预测后一帧车道线的位置。论文以高速公路上的车道线为研究对象,利用机器视觉传感器采集道路图像,融合机器学习和传统图像处理算法来检测与跟踪多个实际道路数据集中的车道线。论文的主要工作及创新之处如下:（1）基于聚类与几何约束的车道线检测。采用传统图像分析技术,通过霍夫变换检测出每一条车道区域内的所有直线,然后利用K-means将属于同一车道区域上的直线归为一类,最后综合相同类别直线信息拟合车道线。该算法简单清晰,计算成本低;（2）基于卷积神经网络与连通域约束的车道线检测。为解决传统算法难以克服复杂交通道路环境干扰的缺点,提出了用于检测车道特征的卷积神经网络Tiny-LaneNet,并结合连通域约束和最小二乘法对车道特征点进行分类和车道线拟合,有效提高了车道线检测的抗干扰能力,实验结果表明平均检测精度与传统算法相比...
【文章来源】：重庆交通大学重庆市
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
道路图像预处理
17（a）xy平面图（b）zy平面图图3-3相机在世界坐标系的位置计算机中图像的来源是将世界坐标系的3D物体投影至2D透视图中，但由于缩放因子和消失点等问题，采集的图像可能会失真。通过逆透视变换生成一个道路的顶视图，不仅可以使重建后的图像消除图像的透视影响，还能使各车道线近似平行，BertozziM等人[47]提出逆透视变换方法如式3.2所示，建立了图像坐标点与世界坐标系中地面上的点的联系。图3-3模拟了车载相机在世界坐标系中的情况，本实验中，相机在世界坐标系的位置(d,l,h)设置为（6.38，1.38，1.879），相机偏航角γ为0，相机俯仰角θ为28.4°，图像分辨率(m,n)为1280×1024，相机的孔径角2α=57，将本实验参数带入公式3.2后得到公式3.3，式中X(u,v)表示图像像素点(u,v)与世界坐标系下中的横坐标的关系式。Y(u,v)分别表示图像像素点(u,v)与世界坐标系下中的纵坐标的关系式。22(,)cot[())]cos[())]1122(,)cot[())]sin[())]11XuvhuvdmnYuvhuvlmnααθαγαααθαγα=×+××+×+=×+××+×+（3.2）444444(,)1.879cot[2.5105.5610]cos[3.1100.16]6.38(,)1.879cot[2.5105.5610]sin[3.1100.16]1.38XuvuvYuvuv=×××××××+=×××××××+（3.3）通过上式，即可得到逆透视变换后的道路图像，如图3-4所示，可见，透视影响基本消除，相邻车道线平行且间距相等。图3-4逆透视变换
逆透视变换
【参考文献】：
期刊论文
[1]联合图像处理和目标约束的车道线检测方法[J]. 骆济焕,兰凤崇,陈吉清. 汽车工程学报. 2019(01)
[2]自动驾驶汽车事故的责任认定[J]. 杨宏芹,黄淑君. 长安大学学报(社会科学版). 2018(04)
[3]一种鲁棒性的多车道线检测算法[J]. 宣寒宇,刘宏哲,袁家政,李青,牛小宁. 计算机科学. 2017(11)
[4]基于分段切换模型的快速车道线检测[J]. 隋靓,党建武,王阳萍. 计算机应用与软件. 2017(08)
[5]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)
[6]基于TMS320DM6437的车道线检测与跟踪[J]. 赵午峰,乔瑞萍,孙贺. 电子技术应用. 2017(04)
[7]智能网联汽车（ICV）技术的发展现状及趋势[J]. 李克强,戴一凡,李升波,边明远. 汽车安全与节能学报. 2017(01)
[8]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)
[9]结合卡尔曼滤波器噪声分析的车道线检测跟踪算法[J]. 郭克友,王艺伟,郭晓丽. 计算机测量与控制. 2016(05)
[10]基于双向窗口特征提取技术的车道线检测算法[J]. 范延军,张为公. 吉林大学学报(信息科学版). 2015(04)
硕士论文
[1]汽车智能化指数及评价方法研究[D]. 王羽.吉林大学 2018
[2]基于视觉的汽车前方碰撞预警系统研究[D]. 侯晓乾.湖南大学 2016
[3]车道线检测系统的研究与实现[D]. 许茂鹏.电子科技大学 2015
[4]一种基于双曲线模型的车道线跟踪检测算法设计与实现[D]. 王雷.吉林大学 2014
[5]基于图像的车道线检测与跟踪算法研究[D]. 刘国荣.湖南大学 2014
[6]基于机器视觉的辅助驾驶系统中预警系统设计[D]. 毛河.电子科技大学 2014
[7]车载视频图像中运动目标的识别与跟踪方法研究[D]. 杨培龙.天津大学 2005
本文编号：3295046
【文章来源】：重庆交通大学重庆市
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
道路图像预处理
17（a）xy平面图（b）zy平面图图3-3相机在世界坐标系的位置计算机中图像的来源是将世界坐标系的3D物体投影至2D透视图中，但由于缩放因子和消失点等问题，采集的图像可能会失真。通过逆透视变换生成一个道路的顶视图，不仅可以使重建后的图像消除图像的透视影响，还能使各车道线近似平行，BertozziM等人[47]提出逆透视变换方法如式3.2所示，建立了图像坐标点与世界坐标系中地面上的点的联系。图3-3模拟了车载相机在世界坐标系中的情况，本实验中，相机在世界坐标系的位置(d,l,h)设置为（6.38，1.38，1.879），相机偏航角γ为0，相机俯仰角θ为28.4°，图像分辨率(m,n)为1280×1024，相机的孔径角2α=57，将本实验参数带入公式3.2后得到公式3.3，式中X(u,v)表示图像像素点(u,v)与世界坐标系下中的横坐标的关系式。Y(u,v)分别表示图像像素点(u,v)与世界坐标系下中的纵坐标的关系式。22(,)cot[())]cos[())]1122(,)cot[())]sin[())]11XuvhuvdmnYuvhuvlmnααθαγαααθαγα=×+××+×+=×+××+×+（3.2）444444(,)1.879cot[2.5105.5610]cos[3.1100.16]6.38(,)1.879cot[2.5105.5610]sin[3.1100.16]1.38XuvuvYuvuv=×××××××+=×××××××+（3.3）通过上式，即可得到逆透视变换后的道路图像，如图3-4所示，可见，透视影响基本消除，相邻车道线平行且间距相等。图3-4逆透视变换
逆透视变换
【参考文献】：
期刊论文
[1]联合图像处理和目标约束的车道线检测方法[J]. 骆济焕,兰凤崇,陈吉清. 汽车工程学报. 2019(01)
[2]自动驾驶汽车事故的责任认定[J]. 杨宏芹,黄淑君. 长安大学学报(社会科学版). 2018(04)
[3]一种鲁棒性的多车道线检测算法[J]. 宣寒宇,刘宏哲,袁家政,李青,牛小宁. 计算机科学. 2017(11)
[4]基于分段切换模型的快速车道线检测[J]. 隋靓,党建武,王阳萍. 计算机应用与软件. 2017(08)
[5]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)
[6]基于TMS320DM6437的车道线检测与跟踪[J]. 赵午峰,乔瑞萍,孙贺. 电子技术应用. 2017(04)
[7]智能网联汽车（ICV）技术的发展现状及趋势[J]. 李克强,戴一凡,李升波,边明远. 汽车安全与节能学报. 2017(01)
[8]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)
[9]结合卡尔曼滤波器噪声分析的车道线检测跟踪算法[J]. 郭克友,王艺伟,郭晓丽. 计算机测量与控制. 2016(05)
[10]基于双向窗口特征提取技术的车道线检测算法[J]. 范延军,张为公. 吉林大学学报(信息科学版). 2015(04)
硕士论文
[1]汽车智能化指数及评价方法研究[D]. 王羽.吉林大学 2018
[2]基于视觉的汽车前方碰撞预警系统研究[D]. 侯晓乾.湖南大学 2016
[3]车道线检测系统的研究与实现[D]. 许茂鹏.电子科技大学 2015
[4]一种基于双曲线模型的车道线跟踪检测算法设计与实现[D]. 王雷.吉林大学 2014
[5]基于图像的车道线检测与跟踪算法研究[D]. 刘国荣.湖南大学 2014
[6]基于机器视觉的辅助驾驶系统中预警系统设计[D]. 毛河.电子科技大学 2014
[7]车载视频图像中运动目标的识别与跟踪方法研究[D]. 杨培龙.天津大学 2005
本文编号：3295046
本文链接：https://www.wllwen.com/kejilunwen/qiche/3295046.html
