基于视觉的智能车辆行驶道路附着状态判断研究
发布时间：2022-10-08 20:30
随着我国汽车工业的快速发展,私家车的保有量逐年攀升,方便出行的同时日益多发的道路交通事故对人们生命和财产安全也造成了重大危害。一般情况下,车辆的行驶状况取决于驾驶员的状态。在实际驾驶过程中,驾驶员获取的绝大部分信息均来自于视觉,如果能很好地利用视觉传感器理解路面环境,并与车辆本身的行车控制相结合,将大大提高交通安全,降低交通事故发生。从汽车诞生之初,人类就不断完善汽车的各方面性能,在汽车动力性能不断提升的情况下,安全问题日益突出。近些年计算机信息技术的迅猛发展为汽车工业开展新一轮的提高行车安全的革命带来契机。本文的研究内容为基于视觉的行车路面附着等级判断,核心思想是利用计算机视觉技术评估智能汽车前方行驶道路的附着状态并给出判断等级,即在识别可行驶范围的前提下估计该区域内各个子区域的附着状态。本文重点研究为在车载摄像机视频图像中估计路面不同区域的附着等级。文中分别对车道范围识别、道路常见目标识别和路面图像附着状态分类进行了研究。在车道识别过程中,根据建立的车道识别数据集进行端到端的卷积神经网络训练,得到能够在行车视频中识别本车道范围的模型。通过一个降维的YOLO目标识别网络识别路面中车辆...
【文章页数】：93 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 引言
1.2 研究目的和意义
1.3 国内外研究现状和发展趋势
1.3.1 基于神经网络的视觉识别技术发展现状
1.3.2 路面附着率识别现状
1.4 主要研究内容与论文结构
第二章 基于OpenCV的相机参数标定与车道检测
2.1 车载相机成像原理
2.1.1 透视投影
2.1.2 坐标系及坐标变换
2.1.3 畸变模型
2.2 基于OpenCV的相机内部参数标定方法
2.3 基于OpenCV的车道检测
2.3.1 检测算法概述
2.3.2 图形预处理
2.3.3 滑窗检测
2.4 本章小节
第三章 数据集建立与环境搭建
3.1 路面材质图像数据集
3.1.1 路面材质获取方案
3.1.2 路面材质图像采集
3.1.3 路面材质图像数据集构成
3.2 人、车目标识别数据集
3.2.1 人、车物体目标识别数据获取方案
3.2.2 人、车物体目标识别数据集构成
3.3 车道边界图像数据集
3.3.1 车道边界获取方案
3.3.2 车道边界图像数据构成
3.4 数据集建立方法
3.4.1 数据集结构
3.4.2 数据集格式转换
3.5 Nvidia Jetson开发板环境搭建
3.5.1 板载系统配置
3.5.2 Caffe环境搭建
3.6 本章小结
第四章 路面附着状态估计系统构建
4.1 卷积神经网络原理
4.1.1 卷积神经网络特点及基本构成
4.1.2 卷积神经网络的传播方式
4.2 基于深度学习的车道检测
4.2.1 车道识别简述
4.2.2 基于深度学习的车道识别网络结构
4.3 基于深度学习的路面附着状态估计网络构建
4.4 基于深度学习的路面目标识别
4.5 基于深度学习的路面附着状态估计系统构建
4.5.1 系统结构
4.5.2 流程控制
4.6 本章小结
第五章 模型训练与实验结果
5.1 基本原理
5.1.1 网络的损失
5.1.2 梯度下降
5.1.3 网络稀疏
5.2车道边界识别模型训练实验
5.2.1 车道识别模型训练
5.2.2 车道边界识别实验结果
5.3 道路目标识别网络识别结果
5.4 路面附着状态判断系统实验结果
5.4.1 路面附着状态分类训练及系统识别结果
5.4.2 路面附着状态估计结果验证实验
5.5 本章小结
第六章 总结与展望
6.1 总结
6.2 存在问题与展望
致谢
参考文献
在学期间发表的论文和取得的学术成果
【参考文献】：
期刊论文
[1]单目视觉下结构化车道实时检测[J]. 胡忠闯,陈杰,顾兆伦,钱沄涛. 信号处理. 2017(04)
[2]一种基于帧间关联的实时车道线检测算法[J]. 李超,刘宏哲,袁家政,郑永荣. 计算机科学. 2017(02)
[3]基于逆透视投影变换的图像拼接方法[J]. 袁启平,宋金泽,吴涛. 微计算机信息. 2010(21)
[4]基于单目视觉的区域交通智能车辆道路边界检测方法研究[J]. 游峰,王荣本,张荣辉,郭烈,徐建闽. 公路交通科技. 2008(06)
[5]基于车轮振动的路面实时识别研究[J]. 卢俊辉,巫世晶. 振动与冲击. 2008(04)
[6]轮胎路面附着系数实时感应识别系统[J]. 韩建保,张鲁滨,李邦国. 车辆与动力技术. 2005(02)
[7]高等级公路沥青路面抗滑性能研究[J]. 张兰芳,费建国. 林业建设. 2004(02)
[8]轮胎与路面之间的摩擦和附着[J]. 王吉忠,顾善发,宋年秀. 轮胎工业. 2002(02)
[9]计算机视觉中摄像机定标综述[J]. 邱茂林,马颂德,李毅. 自动化学报. 2000(01)
[10]论轮胎与路面间的摩擦[J]. 王野平. 汽车技术. 1999(02)
本文编号：3688381
【文章页数】：93 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 引言
1.2 研究目的和意义
1.3 国内外研究现状和发展趋势
1.3.1 基于神经网络的视觉识别技术发展现状
1.3.2 路面附着率识别现状
1.4 主要研究内容与论文结构
第二章 基于OpenCV的相机参数标定与车道检测
2.1 车载相机成像原理
2.1.1 透视投影
2.1.2 坐标系及坐标变换
2.1.3 畸变模型
2.2 基于OpenCV的相机内部参数标定方法
2.3 基于OpenCV的车道检测
2.3.1 检测算法概述
2.3.2 图形预处理
2.3.3 滑窗检测
2.4 本章小节
第三章 数据集建立与环境搭建
3.1 路面材质图像数据集
3.1.1 路面材质获取方案
3.1.2 路面材质图像采集
3.1.3 路面材质图像数据集构成
3.2 人、车目标识别数据集
3.2.1 人、车物体目标识别数据获取方案
3.2.2 人、车物体目标识别数据集构成
3.3 车道边界图像数据集
3.3.1 车道边界获取方案
3.3.2 车道边界图像数据构成
3.4 数据集建立方法
3.4.1 数据集结构
3.4.2 数据集格式转换
3.5 Nvidia Jetson开发板环境搭建
3.5.1 板载系统配置
3.5.2 Caffe环境搭建
3.6 本章小结
第四章 路面附着状态估计系统构建
4.1 卷积神经网络原理
4.1.1 卷积神经网络特点及基本构成
4.1.2 卷积神经网络的传播方式
4.2 基于深度学习的车道检测
4.2.1 车道识别简述
4.2.2 基于深度学习的车道识别网络结构
4.3 基于深度学习的路面附着状态估计网络构建
4.4 基于深度学习的路面目标识别
4.5 基于深度学习的路面附着状态估计系统构建
4.5.1 系统结构
4.5.2 流程控制
4.6 本章小结
第五章 模型训练与实验结果
5.1 基本原理
5.1.1 网络的损失
5.1.2 梯度下降
5.1.3 网络稀疏
5.2车道边界识别模型训练实验
5.2.1 车道识别模型训练
5.2.2 车道边界识别实验结果
5.3 道路目标识别网络识别结果
5.4 路面附着状态判断系统实验结果
5.4.1 路面附着状态分类训练及系统识别结果
5.4.2 路面附着状态估计结果验证实验
5.5 本章小结
第六章 总结与展望
6.1 总结
6.2 存在问题与展望
致谢
参考文献
在学期间发表的论文和取得的学术成果
【参考文献】：
期刊论文
[1]单目视觉下结构化车道实时检测[J]. 胡忠闯,陈杰,顾兆伦,钱沄涛. 信号处理. 2017(04)
[2]一种基于帧间关联的实时车道线检测算法[J]. 李超,刘宏哲,袁家政,郑永荣. 计算机科学. 2017(02)
[3]基于逆透视投影变换的图像拼接方法[J]. 袁启平,宋金泽,吴涛. 微计算机信息. 2010(21)
[4]基于单目视觉的区域交通智能车辆道路边界检测方法研究[J]. 游峰,王荣本,张荣辉,郭烈,徐建闽. 公路交通科技. 2008(06)
[5]基于车轮振动的路面实时识别研究[J]. 卢俊辉,巫世晶. 振动与冲击. 2008(04)
[6]轮胎路面附着系数实时感应识别系统[J]. 韩建保,张鲁滨,李邦国. 车辆与动力技术. 2005(02)
[7]高等级公路沥青路面抗滑性能研究[J]. 张兰芳,费建国. 林业建设. 2004(02)
[8]轮胎与路面之间的摩擦和附着[J]. 王吉忠,顾善发,宋年秀. 轮胎工业. 2002(02)
[9]计算机视觉中摄像机定标综述[J]. 邱茂林,马颂德,李毅. 自动化学报. 2000(01)
[10]论轮胎与路面间的摩擦[J]. 王野平. 汽车技术. 1999(02)
本文编号：3688381
本文链接：https://www.wllwen.com/kejilunwen/qiche/3688381.html
