汽车辅助安全驾驶中基于视频的障碍物检测方法研究

发布时间：2017-08-16 23:05

  本文关键词：汽车辅助安全驾驶中基于视频的障碍物检测方法研究

  更多相关文章： 障碍物检测 汽车辅助安全 似物性 多尺度特征金字塔 物体识别

【摘要】：障碍物检测时汽车辅助安全系统中的重要部分。由于车辆在行驶过程中车辆行驶速度快、道路场景复杂,基于行车记录仪采集的视频包含信息量大,难以同时满足实时性和准确性要求,采用硬件加速策略则大幅度增加用户的使用费用。因此,如何从复杂的道路环境中分割出目标可行域,获取可分辨特征,实现实时检测和跟踪主要障碍物的目标,同时满足低价和高精度要求是一个亟待解决的难题。本文主要研究了障碍物可行域分割算法,似物性推荐理论,多尺度特征金字塔,并在此基础上完成了实时高精度的障碍物检测方法的研究。本文在相关科研人员成果的基础上,将似物性推荐理论和多尺度特征金字塔理论相结合,通过机器学习的方法优化相关参数,将该算法用于汽车辅助驾驶中障碍物检测和识别中。本文所做的主要研究工作和贡献如下:(1)研究了图像预处理和可行域确定的相关理论,研究了图像预处理的相关方法,包括图像滤波和图像增强的相关方法。同时也研究了可行域的确定方法,制定了窗口搜索策略。为本文中后续研究做了相关铺垫。(2)研究了似物性推荐的基本理论和SVM基本原理,并在此基础上深入研究了使用BING特征进行似物性评价的相关方法。使用SVM训练似物性评价模型,再用该模型多尺度遍历检测图像获得窗口排序,大幅减少待识别窗口数量,并进行了仿真实验。(3)研究了ACF特征,对多尺度特征金字塔理论做了深入的研究,结合似物性推荐方法,提出了一种新的障碍物识别方法,使用SVM参数优化方法优化相关参数,并进行了实验仿真与对比分析。(4)研究了障碍物标定方法,对障碍物类型进行标定,提出了基于道路识别的障碍物尺度和距离识别,优化了障碍物跟踪方法,并使用多线程技术来融合障碍物识别和跟踪,并使用实际数据进行仿真。并进行了实验仿真与对比分析。对VOC数据集测试和实际路测数据的实验表明,本文提出的检测和识别方法是可行的。
【关键词】：障碍物检测 汽车辅助安全 似物性 多尺度特征金字塔 物体识别
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U463.6;TP391.41
【目录】：

• 摘要5-6
• ABSTRACT6-11
• 缩略词表11-12
• 第一章 绪论12-20
• 1.1 研究背景及意义12-14
• 1.2 国内外研究现状及发展趋势14-17
• 1.2.1 障碍物检测技术研究现状14-15
• 1.2.2 基于视觉的障碍物检测技术15-17
• 1.3 本文主要研究内容和技术路线17-18
• 1.4 论文结构安排18-20
• 第二章 图像预处理和可行域分割20-38
• 2.1 图像预处理20-26
• 2.1.1 图像灰度化20-23
• 2.1.2 图像滤波23-25
• 2.1.3 直方图均衡化25-26
• 2.2 道路区域提取26-35
• 2.2.1 坐标系关系26-30
• 2.2.2 概率累计霍夫变换30-31
• 2.2.3 车道线检测31-35
• 2.3 可行域确定35-37
• 2.3.1 危险区域确定35-36
• 2.3.2 可行域搜索策略36-37
• 2.4 本章小结37-38
• 第三章 基于似物性的障碍物检测38-63
• 3.1 似物性推荐理论38-42
• 3.1.1 OBN方法38-39
• 3.1.2 SEL方法39-40
• 3.1.3 CSVM方法40-41
• 3.1.4 BING方法41-42
• 3.2 BING评价体系42-49
• 3.2.1 BING特征42-44
• 3.2.2 似物性估计44-49
• 3.3 SVM原理49-56
• 3.3.1 SVM基础理论49-51
• 3.3.2 核函数51-52
• 3.3.3 SVM参数优化52-53
• 3.3.4 SVM多分类方法53-56
• 3.4 仿真结果及分析56-62
• 3.5 本章小结62-63
• 第四章 基于ACF的障碍物识别63-77
• 4.1 ACF特征63-69
• 4.1.1 LUV通道63-65
• 4.1.2 梯度幅值通道65
• 4.1.3 HOG通道65-69
• 4.2 识别策略69-74
• 4.2.1 多层滑窗识别理论69-70
• 4.2.2 通道特征采样理论70-72
• 4.2.3 多层优化识别理论72-74
• 4.3 仿真结果及分析74-76
• 4.4 本章小结76-77
• 第五章 道路障碍物标定与跟踪77-94
• 5.1 道路障碍物标定77-83
• 5.1.1 消失点检测77-80
• 5.1.2 道路障碍物测量80-83
• 5.2 道路障碍物跟踪83-90
• 5.2.1 CMT跟踪算法83-89
• 5.2.2 多线程融合89-90
• 5.3 仿真结果及分析90-93
• 5.4 本章小结93-94
• 第六章 总结与展望94-97
• 6.1 本文工作总结94-95
• 6.1.1 论文主要工作94-95
• 6.1.2 研究创新点及主要贡献95
• 6.2 研究工作展望95-97
• 致谢97-98
• 参考文献98-103
• 攻读硕士学位期间的研究成果103-104

【相似文献】

中国期刊全文数据库 前10条

1 杨素华,赵文龙,陈思平,江少锋;基于球空间极近距离障碍物的超声检测方法[J];南昌航空工业学院学报(自然科学版);2004年04期

2 项志宇;;针对越野自主导航的障碍物检测系统[J];东南大学学报(自然科学版);2005年S2期

3 谢斌;项志宇;潘华东;刘济林;;基于偏振信息的水体障碍物检测方法[J];浙江大学学报(工学版);2007年11期

4 朱云芳;王贻术;杜歆;;静态环境中基于光流的障碍物检测[J];浙江大学学报(工学版);2008年06期

5 王葵;翟荣刚;王道斌;颜普;;基于激光测距雷达和车载GPS的动态障碍物检测[J];工业仪表与自动化装置;2013年02期

6 赵小川;刘培志;张敏;杨立辉;施建昌;;一种适用于移动机器人的障碍物快速检测算法及其实现[J];机器人;2011年02期

7 杨飞;朱株;龚小谨;刘济林;;基于三维激光雷达的动态障碍实时检测与跟踪[J];浙江大学学报(工学版);2012年09期

8 杜歆;周围;朱云芳;刘济林;;基于单目视觉的障碍物检测[J];浙江大学学报(工学版);2008年06期

9 稻津雅弘;车胜新;;利用超声波检测障碍物的装置的研究[J];国外汽车;1983年06期

10 刘珂;隋树林;;车道斑马线及障碍物检测方法研究与实现[J];科技信息;2012年03期

中国重要会议论文全文数据库 前3条

1 项志宇;;针对越野自主导航的障碍物检测系统[A];2005全国自动化新技术学术交流会论文集（二）[C];2005年

2 王伟;熊庆宇;王楷;罗意;;面向室内未知环境的无障碍物区域单目视觉检测算法研究[A];2010振动与噪声测试峰会论文集[C];2010年

3 仲训昱;彭侠夫;周结华;;基于激光传感器的机器人运动障碍物检测[A];中国自动化学会控制理论专业委员会C卷[C];2011年

中国博士学位论文全文数据库 前3条

1 刘金;盲人行走辅助技术中的障碍物检测算法研究[D];西南交通大学;2014年

2 刘健;基于三维激光雷达的无人驾驶车辆环境建模关键技术研究[D];中国科学技术大学;2016年

3 贾宝芝;视频导航中的地图生成、障碍检测与行人人脸识别[D];中国科学技术大学;2015年

中国硕士学位论文全文数据库 前10条

1 杨鑫;基于单目视觉的矿井电机车防撞预警系统的研究[D];中国矿业大学;2015年

2 丁新立;基于卷积神经网络的车辆前方障碍物识别[D];大连理工大学;2015年

3 易艺婷;导盲系统中的障碍物检测方案设计[D];哈尔滨工业大学;2015年

4 赵日成;辅助驾驶中的路面障碍检测技术研究[D];西安电子科技大学;2015年

5 鲁永杰;基于机器视觉的列车前方障碍物检测方法研究[D];兰州交通大学;2015年

6 侯伟;基于双目的前驶障碍物识别方法与应用研究[D];合肥工业大学;2015年

7 袁雨桐;基于单目视觉的智能车前方障碍物识别与测距[D];吉林大学;2016年

8 张兆阳;现代有轨电车障碍物识别技术研究[D];苏州大学;2016年

9 武少宇;基于双摄像头的图像分析与室内障碍物定位[D];华南理工大学;2016年

10 陆臻;汽车辅助安全驾驶中基于视频的障碍物检测方法研究[D];电子科技大学;2016年

，

本文编号：685952