基于机器视觉的雾天车道线识别与追踪算法研究
发布时间：2021-08-31 08:55
随着汽车数量的迅速增加,行车安全已经越来越受到人们的重视,其中车道线识别与追踪算法也成为研究的热点领域。传统的车道线识别与追踪算法主要针对良好环境,而对于雾天等不良环境的研究甚少。针对雾天环境下车道线图像路面与车道线的对比度远低于正常环境,给车道线识别与追踪带来困难的问题,本文对雾天环境下车道线识别与追踪算法进行研究,主要研究内容如下:（1）对雾天环境下成像原理以及图像去雾的算法进行研究。针对传统暗通道去雾算法实时性差的问题,提出一种基于形态学腐蚀运算的暗通道去雾算法。与传统去雾算法相比,该算法可以实现快速、准确图像去雾。（2）对于不同类型的车道线,本文采用不同的识别算法。对于直道,选用直线模型,针对传统Hough变换识别车道线存在不准确、实时性差的问题,提出一种基于极角约束和分类判别Hough变换的车道线识别算法。实验结果表明,该算法不仅只对本车道两侧车道线进行识别,而且在实时性上得到提升。对于弯道,选用抛物线模型,首先针对粒子群算法存在过早收敛的问题,用混沌理论对粒子群算法进行改进;然后利用车道线与路面灰度值的差异设计车道线目标函数;最后采用混沌粒子群算法对目标函数中参数优化。实验...
【文章来源】：桂林电子科技大学广西壮族自治区
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
国外智能车
(a) 清华智能车 (b) 百度无人车图 1-2 国内智能车通过对国内外车道线识别与追踪算法的研究及在智能车上应用的分析与总结，目前对于车道线的识别与追踪主要分为两种：基于道路特征的识别方法[23][24]和基于道路模型的识别方法[25][26]。基于道路特征的识别方法就是利用车道线与普通公路路面在灰度值、纹理、形状以及亮度等特征上的不同，通过这些不同点选择合适的图像分割方法，将车道线从道路中提取出来。文献[27]结合最大类间方差法和 Canny 算子的优点：提出了基于最大类间方差法实现自适应 Canny 算子的车道线边缘检测算法，之后结合 Hough 变换实现对车道线的识别。文献[28]提出利用形态学分析的方法识别车道线：首先利用最大类间方差法对图像进行特征点提取预处理，之后为消除其余车辆对识别的影响，采用形态学颗粒分析法对二值图像进行处理，最后采用形态学骨架化完成车道线的识别。文献[29]提出利用颜色对车道线与道路的差异分类识别的算法：该算法首先将 RGB 三通道图像变成 LAB 的图像后通过 K 均值法分割图像，之后利用最大类间方差法对图像二值化并且提取特征点，最后利用拟合的思想对特征点进行拟合，进而识别出车道线。
第一章 绪论先验去雾算法进行改进，在保证去雾效果的前提下，减小计算的复杂度，提高实时性。（2）对于预处理之后的图像进行车道线特征提取。通过对比几种二值化方法处理效果，利用局部最大类间方差法完成图像二值化和车道线特征提取。（3）针对车道线有直线和曲线的问题，采用分类识别的方式。对于直线识别，采用改进的 Hough 变换进行识别；对于曲线识别，采用基于抛物线模型的曲线识别方法，通过对车道线特征的分析得出车道线目标函数，然后使用混沌粒子群对目标函数中的三个参数最优化，从而完成对弯车道的识别。（4）对于采集的车道线视频信息，因为相邻帧序列之间的车道线特征信息差距很小，所以采用混沌粒子群算法根据上一帧的结果实现对车道线的追踪，从而提高识别追踪的实时性。
【参考文献】：
期刊论文
[1]基于投影统计与双曲线拟合的车道识别算法[J]. 王其东,魏振亚,王乃汉,陈无畏,谢有浩. 中国机械工程. 2019(04)
[2]雾天景区图像增强的算法优化[J]. 浦瀚,杨道业,温勇. 中国仪器仪表. 2018(10)
[3]对比度增强的彩色图像灰度化算法[J]. 刘美,薛新松,刘广文,刘智,才华. 长春理工大学学报(自然科学版). 2018(05)
[4]基于组合模型的交通事故严重程度预测方法[J]. 石雪怀,戚湧,张伟斌,李千目. 计算机应用研究. 2019(08)
[5]彩色图像灰度化算法综述[J]. 顾梅花,苏彬彬,王苗苗,王志磊. 计算机应用研究. 2019(05)
[6]基于人工鱼群算法的分数阶PIλ控制器参数整定[J]. 张学典,王富彦,秦晓飞. 计算机应用研究. 2019(03)
[7]基于暗通道及多尺度Retinex的雾霾天气图像增强算法[J]. 赵春丽,董静薇. 激光杂志. 2018(01)
[8]基于自适应Riesz分数阶微分的雾天图像增强[J]. 雷思佳,赵凤群. 计算机应用. 2018(05)
[9]百度谷歌无人驾驶汽车发展综述[J]. 何佳,戎辉,王文扬,田晓笛,高嵩,郭蓬. 汽车电器. 2017(12)
[10]基于消失点检测与分段直线模型的车道线识别[J]. 王晓锦,王增才,赵磊. 机电一体化. 2017(05)
博士论文
[1]城市动态路况信息下交通行为的研究[D]. 周伟.大连理工大学 2012
硕士论文
[1]车道偏离预警中的车道标线识别方法研究[D]. 李栋梁.辽宁工业大学 2018
[2]基于单目视觉的结构化道路车道线识别和SAE算法的车道偏离检测研究[D]. 王晓锦.山东大学 2017
[3]基于机器视觉的车道偏离预警策略研究[D]. 张亮.大连理工大学 2017
[4]基于机器视觉的车道偏离及碰撞预警技术研究[D]. 张云飞.北京工业大学 2017
[5]基于暗原色原理和B样条小波的雾霾车牌定位的研究[D]. 鞠丽丽.青岛大学 2016
[6]基于机器视觉的雾天环境下车道线识别技术研究[D]. 蔡兵.重庆邮电大学 2016
[7]单目视觉结构化道路车道线检测和跟踪技术研究[D]. 付永春.南京理工大学 2012
本文编号：3374607
【文章来源】：桂林电子科技大学广西壮族自治区
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
国外智能车
(a) 清华智能车 (b) 百度无人车图 1-2 国内智能车通过对国内外车道线识别与追踪算法的研究及在智能车上应用的分析与总结，目前对于车道线的识别与追踪主要分为两种：基于道路特征的识别方法[23][24]和基于道路模型的识别方法[25][26]。基于道路特征的识别方法就是利用车道线与普通公路路面在灰度值、纹理、形状以及亮度等特征上的不同，通过这些不同点选择合适的图像分割方法，将车道线从道路中提取出来。文献[27]结合最大类间方差法和 Canny 算子的优点：提出了基于最大类间方差法实现自适应 Canny 算子的车道线边缘检测算法，之后结合 Hough 变换实现对车道线的识别。文献[28]提出利用形态学分析的方法识别车道线：首先利用最大类间方差法对图像进行特征点提取预处理，之后为消除其余车辆对识别的影响，采用形态学颗粒分析法对二值图像进行处理，最后采用形态学骨架化完成车道线的识别。文献[29]提出利用颜色对车道线与道路的差异分类识别的算法：该算法首先将 RGB 三通道图像变成 LAB 的图像后通过 K 均值法分割图像，之后利用最大类间方差法对图像二值化并且提取特征点，最后利用拟合的思想对特征点进行拟合，进而识别出车道线。
第一章 绪论先验去雾算法进行改进，在保证去雾效果的前提下，减小计算的复杂度，提高实时性。（2）对于预处理之后的图像进行车道线特征提取。通过对比几种二值化方法处理效果，利用局部最大类间方差法完成图像二值化和车道线特征提取。（3）针对车道线有直线和曲线的问题，采用分类识别的方式。对于直线识别，采用改进的 Hough 变换进行识别；对于曲线识别，采用基于抛物线模型的曲线识别方法，通过对车道线特征的分析得出车道线目标函数，然后使用混沌粒子群对目标函数中的三个参数最优化，从而完成对弯车道的识别。（4）对于采集的车道线视频信息，因为相邻帧序列之间的车道线特征信息差距很小，所以采用混沌粒子群算法根据上一帧的结果实现对车道线的追踪，从而提高识别追踪的实时性。
【参考文献】：
期刊论文
[1]基于投影统计与双曲线拟合的车道识别算法[J]. 王其东,魏振亚,王乃汉,陈无畏,谢有浩. 中国机械工程. 2019(04)
[2]雾天景区图像增强的算法优化[J]. 浦瀚,杨道业,温勇. 中国仪器仪表. 2018(10)
[3]对比度增强的彩色图像灰度化算法[J]. 刘美,薛新松,刘广文,刘智,才华. 长春理工大学学报(自然科学版). 2018(05)
[4]基于组合模型的交通事故严重程度预测方法[J]. 石雪怀,戚湧,张伟斌,李千目. 计算机应用研究. 2019(08)
[5]彩色图像灰度化算法综述[J]. 顾梅花,苏彬彬,王苗苗,王志磊. 计算机应用研究. 2019(05)
[6]基于人工鱼群算法的分数阶PIλ控制器参数整定[J]. 张学典,王富彦,秦晓飞. 计算机应用研究. 2019(03)
[7]基于暗通道及多尺度Retinex的雾霾天气图像增强算法[J]. 赵春丽,董静薇. 激光杂志. 2018(01)
[8]基于自适应Riesz分数阶微分的雾天图像增强[J]. 雷思佳,赵凤群. 计算机应用. 2018(05)
[9]百度谷歌无人驾驶汽车发展综述[J]. 何佳,戎辉,王文扬,田晓笛,高嵩,郭蓬. 汽车电器. 2017(12)
[10]基于消失点检测与分段直线模型的车道线识别[J]. 王晓锦,王增才,赵磊. 机电一体化. 2017(05)
博士论文
[1]城市动态路况信息下交通行为的研究[D]. 周伟.大连理工大学 2012
硕士论文
[1]车道偏离预警中的车道标线识别方法研究[D]. 李栋梁.辽宁工业大学 2018
[2]基于单目视觉的结构化道路车道线识别和SAE算法的车道偏离检测研究[D]. 王晓锦.山东大学 2017
[3]基于机器视觉的车道偏离预警策略研究[D]. 张亮.大连理工大学 2017
[4]基于机器视觉的车道偏离及碰撞预警技术研究[D]. 张云飞.北京工业大学 2017
[5]基于暗原色原理和B样条小波的雾霾车牌定位的研究[D]. 鞠丽丽.青岛大学 2016
[6]基于机器视觉的雾天环境下车道线识别技术研究[D]. 蔡兵.重庆邮电大学 2016
[7]单目视觉结构化道路车道线检测和跟踪技术研究[D]. 付永春.南京理工大学 2012
本文编号：3374607
本文链接：https://www.wllwen.com/kejilunwen/qiche/3374607.html
