基于单目视觉的智能车前方障碍物识别与测距

发布时间：2020-10-16 13:17

　　 多年来,随着交通事故在世界各地变得越来越严重,对智能车的研究已成为智能交通领域的一个重要研究课题。我们利用智能车的自主驾驶或半自主驾驶的功能来实现安全,舒适和节约能源的目的。在现有环境感知算法中,基于机器视觉的环境感知算法因能提供障碍物大小和位置的信息而具有无可比拟的优势。对车前障碍物进行自动地实时检测对于保持安全车距、防止碰撞事故的发生有十分重要的意义。本文主要研究内容为以下四方面:1.车辆道路区域检测。在智能车辆视觉导航系统中,对行驶的道路进行检测的目的主要为两方面,一是为了估计车辆在道路中的方向和位置从而来控制车辆按预定的路线行驶。二是为后续的障碍物检测缩小搜索范围以降低算法复杂度和误识率,提高后续算法的运算速率。为了提取出智能车在非结构化道路环境中可行驶的区域,本文提出了一种基于纹理特征的算法来分割出非结构化道路中可行的道路区域。首先,为了提取出车道中车辙印对应的纹理特征,通过选取2个频率8个方向的Gabor模板对图像进行变换分析,得到各个像素点的纹理强度以及方向特征,利用其方向特征值对候选消失点进行投票,得票最高点即道路消失点,然后提取出有效投票区域中的直线斜率,建立通过消失点的直线方程来划分出可行的道路区域。实验表明,该算法在强光照以及夜间场景下可有效地分割出可行的道路区域,并且不受阴影的影响。2.车前方障碍物检测。障碍物检测的准确性关系到智能车辆行驶的安全性,由于障碍物的出现具有不可预知性和不确定性,所以只能在车辆行驶过程中及时发现并及时处理。因此,本文提出一种对SIFT特征点聚类的障碍物检测方法,首先对图像进行ROI区域提取,通过对ROI区域进行水平与垂直边缘检测得到障碍物可能存在的图像区域,计算每个区域的图像熵值后筛除不存在障碍物的区域,对剩下存在障碍物的区域进行SIFT特征点提取,通过对特征点进行K均值聚类从而得到障碍物精确定位。3.基于视频图像的障碍物跟踪。为了基于视频图像实时地检测到障碍物的位置,本文提出了一种将SIFT特征点匹配与Kalman滤波跟踪相结合的跟踪算法来实现障碍物目标的跟踪,实验结果表明本文提出的检测方法无论视频对象中有一个目标或是多个目标都适用,并且在一个目标到多个目标和多个目标到一个目标变换的情况下同样适用。4.单目视觉测距。单目视觉测距因为运算速率很快,并且构造简单而具有广阔的应用远景。本文首先介绍了单目视觉标定的基本理论,经过实验对比最终选择了指数型函数来完成对图像中障碍物的拟合测距。
【学位单位】：吉林大学
【学位级别】：硕士
【学位年份】：2016
【中图分类】：U463.6;TP391.41
【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题研究的背景及意义
    1.2 国内外研究现状
        1.2.1 国外研究现状
        1.2.2 国内研究现状
    1.3 车方前障碍物检测算法的研究方法
    1.4 本文主要研究内容及章节安排
        1.4.1 本文主要研究内容
        1.4.2 本文章节安排
第2章 图像采集与预处理
    2.1 图像灰度化及二值化
    2.2 图像滤波
    2.3 图像边缘提取
    2.4 图像形态学描述
    2.5 本章小结
第3章 车辆道路区域检测
    3.1 结构化道路线检测
        3.1.1 霍夫变换
        3.1.2 车道线筛选
    3.2 非结构化道路区域分割
        3.2.1 纹理特征提取
        3.2.2 消失点检测
        3.2.3 道路区域分割
    3.3 本章小结
第4章 车前方障碍物检测
    4.1 障碍物初步定位
        4.1.1 ROI区域提取
        4.1.2 图像水平与垂直边缘检测
        4.1.3 图像熵判定是否存在障碍物
    4.2 障碍物精确定位
        4.2.1 SIFT特征点提取
        4.2.2 基于K均值聚类的目标检测方法
    4.3 本章小结
第5章 基于视频图像的障碍物跟踪
    5.1 基于加权时空上下文的视觉跟踪算法
    5.2 Kalman滤波预测目标位置
        5.2.1 Kalman滤波的基本原理
        5.2.2 预测障碍物位置
    5.3 SIFT特征匹配与Kalman滤波结合的跟踪算法
        5.3.1 目标模板建立与更新
        5.3.2 目标模板匹配
        5.3.3 视频图像检测实验结果
    5.4 本章小结
第6章 单目视觉测距
    6.1 单帧静态图像的测距模型
    6.2 摄像机内外参数标定
    6.3 拟合法测距
    6.4 本章小结
第7章 总结和展望
    7.1 全文总结
    7.2 存在的不足和展望
参考文献
作者简介及科研成果
致谢

【相似文献】

相关期刊论文 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

相关博士学位论文 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

相关硕士学位论文 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 陈若望;列车前方障碍物图像检测算法研究[D];西南交通大学;2012年

9 王葵;无人车前方障碍物的检测方法研究[D];安徽大学;2012年

10 宋娟;路轨自动检测系统及障碍物识别技术的研究[D];浙江大学;2008年

本文编号：2843308