基于机器视觉的前方车辆检测与换道决策研究
发布时间：2021-11-26 23:08
行车安全与出行通畅一直是行车人员的普遍追求。实际环境中,交通要素复杂多变,大量动态性和不确定性因素给智能车辆的驾驶行为决策带来巨大挑战,本文以前方道路环境为主要研究对象,开展了智能车辆中目标检测与跟踪及换道决策的部分研究工作。（1）基于Hough变换和最小二乘法实现车道线的检测和拟合。首先选用加权平均值法对图像进行灰度化处理,选用中值滤波算法完成图像的滤波处理,选用Sobel算子来处理道路图像,进而检测出本文所需的车道线边缘;然后对直角坐标系和极坐标系下的Hough变换原理进行了分析,建立了极坐标系下的车辆检测算法,最后基于最小二乘法对检测出来的车道线进行拟合;（2）车辆检测与跟踪。首先对提出的基于多类特征融合的车辆检测方法和基于类Haar特征结合Adaboost的算法进行车辆检测,然后基于Kalman滤波实现了车辆跟踪,最后对车辆检测和跟踪方法的效果在不同的道路场景下进行了实验验证;（3）基于单目视觉的信息提取。首先通过比较检测出来的车道线的斜率大小完成自车所在车道的判别,基于前方车辆的行驶投影中心的落点实现前方车辆所在车道的判别,然后分析了世界坐标系、相机坐标系等各坐标系之间的关系...
【文章来源】：山东理工大学山东省
【文章页数】：91 页
【学位级别】：硕士
【部分图文】：
智能汽车、智能网联汽车与车联网等的相互关系
上海市发布了《上海市智能网联汽车道路测试管理办第一批智能网联汽车公共道路测试号牌发放。蔚来汽车和上市首批智能网联汽车开放道路测试号牌之后，于当天下午，两网联汽车就开始了在博园路的首次开放道路测试。联汽车不但让出行方式变的更安全、更舒适、更环保、更节能城市智能交通系统、构建绿色汽车社会、重塑汽车及其相关产我们把握全球智能网联汽车发展大势的同时，根据我国智能图图 1.2 可知，我国智能网联汽车的发展还处于低水平的部分（PA），在这一阶段主要是以自主环境感知为主，同时提供和部分自动驾驶应用，也就是目前我国智能网联汽车的研究仍关技术研究为主，也只有将智能车的相关关键技术研究成熟之能网联汽车的发展推向下一阶段，即以自主与网联环境感知融况下的自动驾驶（CA）。网联化车路协同控制
机科学和人工智能实验室（CSAIL）、新加坡国立大学和新加坡-麻省理工学院科研中心（SMART）共同研发的无人驾驶滑板车[3]，如图 1.4 所示；2017 年 7月，由百度开发的自动驾驶汽车，在全程约 15 公里的城市道路上，经汽车自动识别障碍物，实现了从百度到国家会议中心现场的全程自动驾驶，百度无人车平台如图 1.5 所示；2018 年 4 月，据悉腾讯首辆无人驾驶原型车在北京首次公开亮相等。由于自动驾驶汽车是一个集人工智能、车辆工程、通信等高新技术于一体的综合体，研发技术复杂，再加上自动驾驶汽车运行环境的多样性，所以在其发展过程中还有很多不足，比如环境感知的准确性和决策的智能性都有待进一步提高。自动驾驶已成兵家必争之地，不论是国外的科技巨头 Google、微软、苹果，还是国内的百度、滴滴，都对无人驾驶青睐有加，很多国家和地区也出台相应政策鼓励、引导自动驾驶行业的发展，本课题就是在这样的大背景下开展研究的。
【参考文献】：
期刊论文
[1]基于深度学习的高分辨率遥感图像车辆检测[J]. 孙秉义,文珊珊,吴昊,蔡鸿明. 东华大学学报(自然科学版). 2018(04)
[2]基于卷积神经网络的车道线语义分割算法[J]. 徐国晟,张伟伟,吴训成,苏金亚,郭增高. 电子测量与仪器学报. 2018(07)
[3]基于神经网络与最小二乘法的车道线检测算法研究[J]. 贾会群,魏仲慧,何昕,李沐雨. 汽车工程. 2018(03)
[4]基于深度学习的多角度车辆动态检测方法[J]. 李浩,张运胜,连捷,李泽萍. 交通信息与安全. 2017(05)
[5]面向车辆识别的样本自反馈式级联检测方法[J]. 徐艺,谭德荣,郭栋,邵金菊,孙亮,王玉琼. 长春理工大学学报(自然科学版). 2017(03)
[6]基于深度学习方法的复杂场景下车辆目标检测[J]. 宋焕生,张向清,郑宝峰,严腾. 计算机应用研究. 2018(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]基于帧间差分和背景差分的运动目标检测算法[J]. 孙挺,齐迎春,耿国华. 吉林大学学报(工学版). 2016(04)
[9]基于类Haar特征和AdaBoost的车辆识别技术[J]. 张雪芹,方婷,李志前,董明杰. 华东理工大学学报(自然科学版). 2016(02)
[10]基于扩展Haar特征的AdaBoost人脸检测算法[J]. 颜学龙,任文帅,马峻. 计算机系统应用. 2015(09)
硕士论文
[1]城市路段非机动车流交通特性研究[D]. 平萍.江苏大学 2018
[2]基于机器视觉的前方车辆检测与跟踪[D]. 王宁.西南交通大学 2018
[3]基于机器视觉的车道线检测及跟踪方法研究[D]. 潘磊成.哈尔滨工程大学 2018
[4]基于机器视觉的车道线检测和交通标志识别研究[D]. 刘兰馨.华南理工大学 2018
[5]大型客车环境感知系统设计及前方障碍物检测方法研究[D]. 王战古.山东理工大学 2018
[6]基于机器视觉的车前障碍物识别测距系统的设计[D]. 李一冰.长安大学 2018
[7]基于计算机视觉的前方车辆检测及测距研究[D]. 李佳旺.浙江工商大学 2018
[8]基于机器视觉的侧后方目标检测算法及换道预警系统研究[D]. 晏晓娟.江苏大学 2017
[9]基于图像处理的汽车车道偏离预警系统研究与实现[D]. 王玲.电子科技大学 2017
[10]面向无人驾驶的智能车系统平台研究与应用[D]. 刘继周.浙江大学 2017
本文编号：3521100
【文章来源】：山东理工大学山东省
【文章页数】：91 页
【学位级别】：硕士
【部分图文】：
智能汽车、智能网联汽车与车联网等的相互关系
上海市发布了《上海市智能网联汽车道路测试管理办第一批智能网联汽车公共道路测试号牌发放。蔚来汽车和上市首批智能网联汽车开放道路测试号牌之后，于当天下午，两网联汽车就开始了在博园路的首次开放道路测试。联汽车不但让出行方式变的更安全、更舒适、更环保、更节能城市智能交通系统、构建绿色汽车社会、重塑汽车及其相关产我们把握全球智能网联汽车发展大势的同时，根据我国智能图图 1.2 可知，我国智能网联汽车的发展还处于低水平的部分（PA），在这一阶段主要是以自主环境感知为主，同时提供和部分自动驾驶应用，也就是目前我国智能网联汽车的研究仍关技术研究为主，也只有将智能车的相关关键技术研究成熟之能网联汽车的发展推向下一阶段，即以自主与网联环境感知融况下的自动驾驶（CA）。网联化车路协同控制
机科学和人工智能实验室（CSAIL）、新加坡国立大学和新加坡-麻省理工学院科研中心（SMART）共同研发的无人驾驶滑板车[3]，如图 1.4 所示；2017 年 7月，由百度开发的自动驾驶汽车，在全程约 15 公里的城市道路上，经汽车自动识别障碍物，实现了从百度到国家会议中心现场的全程自动驾驶，百度无人车平台如图 1.5 所示；2018 年 4 月，据悉腾讯首辆无人驾驶原型车在北京首次公开亮相等。由于自动驾驶汽车是一个集人工智能、车辆工程、通信等高新技术于一体的综合体，研发技术复杂，再加上自动驾驶汽车运行环境的多样性，所以在其发展过程中还有很多不足，比如环境感知的准确性和决策的智能性都有待进一步提高。自动驾驶已成兵家必争之地，不论是国外的科技巨头 Google、微软、苹果，还是国内的百度、滴滴，都对无人驾驶青睐有加，很多国家和地区也出台相应政策鼓励、引导自动驾驶行业的发展，本课题就是在这样的大背景下开展研究的。
【参考文献】：
期刊论文
[1]基于深度学习的高分辨率遥感图像车辆检测[J]. 孙秉义,文珊珊,吴昊,蔡鸿明. 东华大学学报(自然科学版). 2018(04)
[2]基于卷积神经网络的车道线语义分割算法[J]. 徐国晟,张伟伟,吴训成,苏金亚,郭增高. 电子测量与仪器学报. 2018(07)
[3]基于神经网络与最小二乘法的车道线检测算法研究[J]. 贾会群,魏仲慧,何昕,李沐雨. 汽车工程. 2018(03)
[4]基于深度学习的多角度车辆动态检测方法[J]. 李浩,张运胜,连捷,李泽萍. 交通信息与安全. 2017(05)
[5]面向车辆识别的样本自反馈式级联检测方法[J]. 徐艺,谭德荣,郭栋,邵金菊,孙亮,王玉琼. 长春理工大学学报(自然科学版). 2017(03)
[6]基于深度学习方法的复杂场景下车辆目标检测[J]. 宋焕生,张向清,郑宝峰,严腾. 计算机应用研究. 2018(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]基于帧间差分和背景差分的运动目标检测算法[J]. 孙挺,齐迎春,耿国华. 吉林大学学报(工学版). 2016(04)
[9]基于类Haar特征和AdaBoost的车辆识别技术[J]. 张雪芹,方婷,李志前,董明杰. 华东理工大学学报(自然科学版). 2016(02)
[10]基于扩展Haar特征的AdaBoost人脸检测算法[J]. 颜学龙,任文帅,马峻. 计算机系统应用. 2015(09)
硕士论文
[1]城市路段非机动车流交通特性研究[D]. 平萍.江苏大学 2018
[2]基于机器视觉的前方车辆检测与跟踪[D]. 王宁.西南交通大学 2018
[3]基于机器视觉的车道线检测及跟踪方法研究[D]. 潘磊成.哈尔滨工程大学 2018
[4]基于机器视觉的车道线检测和交通标志识别研究[D]. 刘兰馨.华南理工大学 2018
[5]大型客车环境感知系统设计及前方障碍物检测方法研究[D]. 王战古.山东理工大学 2018
[6]基于机器视觉的车前障碍物识别测距系统的设计[D]. 李一冰.长安大学 2018
[7]基于计算机视觉的前方车辆检测及测距研究[D]. 李佳旺.浙江工商大学 2018
[8]基于机器视觉的侧后方目标检测算法及换道预警系统研究[D]. 晏晓娟.江苏大学 2017
[9]基于图像处理的汽车车道偏离预警系统研究与实现[D]. 王玲.电子科技大学 2017
[10]面向无人驾驶的智能车系统平台研究与应用[D]. 刘继周.浙江大学 2017
本文编号：3521100
本文链接：https://www.wllwen.com/kejilunwen/qiche/3521100.html
