面向机器视觉引导车辆的道路检测与车型识别技术研究
发布时间：2021-10-29 20:24
机器视觉是人工智能正在快速发展的一个分支,用机器代替人眼来做测量和判断,智能车辆是多学科融合的高新技术综合系统。然而智能车辆车载电子系统难于兼顾实时性和准确性,多采用高性能硬件却大幅增加了用户的使用成本。因而怎样从复杂的道路环境中获取可识别特征量,分割目标可行域,实现实时检测前方道路、识别障碍车辆车型,同时实现低使用成本和高精确度,在有限的硬件资源条件下实现较为理想的智能化程度,是一个待解决的难题。本文以道路交通环境中的基于视觉的智能车辆为研究对象,针对智能车辆在道路检测和行驶路径前方车辆车型识别的实际需求,采用了一种基于K-means算法的二步迭代道路检测算法和一种基于K-means的车型轮廓特征分类判别技术。主要工作包括:1、研究了图像预处理技术,对传统的机器视觉图像预处理流程进行改进,对原始图像进行白平衡、灰度化、图像去噪处理。通过计算机实验对比两种不同的白平衡算法和四种不同的图像去噪算法,并依据相关图像质量评价标准对白平衡和图像去噪步骤进行单步最优和全局最优的客观图像处理效果对比。实验结果表明在图像预处理的整个步骤中,先对图像用全反射算法进行白平衡处理后,再将所得图像转化为灰度...
【文章来源】：昆明理工大学云南省
【文章页数】：84 页
【学位级别】：硕士
【部分图文】：
谷歌旗下Waymo公司的商业化智能车
认知水平能力离线测试两部分。其中，真实道路环境测试着重考察无人驾驶智能车辆的交通场景识别能力以及不同道路环境中的安全性（Safety）、舒适性（Smoothness）、敏捷性（Sharpness）和智能性（Smartness）等4S性能；离线测试则在大规模真实道路交通场景数据库的基础上，通过仿真环境评估无人驾驶车辆各类交通环境感知算法的基本认知能力和水平。近年来，随着传感器技术的发展，各家无人车在硬件方案上的差距越来越小，挑战赛上的比拼，逐渐从前几年硬件设备、系统方案的差异变为现在的引导算法、数据感知方面的差异。图1.2第十届中国智能车未来挑战赛参赛车辆
昆明理工大学硕士学位论文22值。经过灰度化处理，所得到的灰度图像每个像素只需一个字节存放灰度值（又称强度值、亮度值），相比原图像减少了数据量，更便于后续进一步进行图像处理分析操作。灰度化处理方法常用的有分量法、最大值法、平均值法和加权平均法，以加权平均法的应用最为广泛。根据文献[54]的研究结果，依据人眼对三基色的敏感程度不同，对绿色的敏感最高，对蓝色敏感最低，将三个分量以不同的权值进行加权平均。得到一种对RGB三分量进行加权平均（weightedaveragemethod）的灰度化方法，能得到较合理的灰度图像。若图像灰度化后的颜色矩阵为，原图像RGB矩阵的三个分量分别为、、，则有：=0.2989+0.5870+0.1140(2-4)依据上文介绍的加权平均灰度化方法，在MATLAB2018a计算机仿真平台中对已经完成白平衡操作的图像进行图像灰度化处理。2.4图像去噪数字图像图像的获娶传输和存贮过程中常受到成像设备与外部环境噪声干扰和影响，使图像质量降低，称为含噪图像或噪声图像。为了获取高质量数字图像，很有必要对图像进行降噪处理，尽可能的保持原始信息完整性（即主要特征）的同时，又能够去除信号中无用的信息。2.4.1常用去噪算法（1）均值滤波均值滤波是图像处理中最常用的手段，理想的均值滤波是用每个像素和它周围像素计算出来的平均值替换图像中每个像素。采样Kernel数据通常是边长为3的矩阵，如下表示：图2.2均值滤波原理示意图
【参考文献】：
期刊论文
[1]基于K-means算法的二步迭代道路检测算法[J]. 史迪玮,毛剑琳. 软件导刊. 2018(09)
[2]2018中国智能车大会将于常熟召开[J]. 模式识别与人工智能. 2018(05)
[3]基于深度卷积神经网络的车型识别方法[J]. 袁公萍,汤一平,韩旺明,陈麒. 浙江大学学报(工学版). 2018(04)
[4]路面检测技术综述[J]. 马建,赵祥模,贺拴海,宋宏勋,赵煜,宋焕生,程磊,王建锋,袁卓亚,黄福伟,张健,杨澜. 交通运输工程学报. 2017(05)
[5]改进的光照不变道路检测算法[J]. 杜凯,宋永超,巨永锋,姚洁茹,房建武,包旭. 交通运输系统工程与信息. 2017(05)
[6]Faster-RCNN的车型识别分析[J]. 桑军,郭沛,项志立,罗红玲,陈欣. 重庆大学学报. 2017(07)
[7]基于最小安全距离的车辆交叉换道模型研究[J]. 李娟,曲大义,万孟飞,曹俊业,刘聪. 青岛理工大学学报. 2017(01)
[8]基于深度卷积神经网络的场景自适应道路分割算法[J]. 王海,蔡英凤,贾允毅,陈龙,江浩斌. 电子与信息学报. 2017(02)
[9]高速公路交通事故影响因素分析及伤害估计[J]. 王磊,吕璞,林永杰. 中国安全科学学报. 2016(03)
[10]基于深度卷积神经网络的车型识别研究[J]. 邓柳,汪子杰. 计算机应用研究. 2016(03)
硕士论文
[1]基于深度学习的车型识别研究[D]. 张佳佳.石家庄铁道大学 2017
[2]基于机器视觉的智能车辆跟踪方法研究与应用[D]. 宋国浩.中北大学 2017
[3]智能车辆基于视觉的可通行区域检测方法[D]. 潘奎刚.南京理工大学 2017
[4]基于机器学习的道路区域识别方法研究[D]. 李春阳.浙江大学 2016
[5]基于机器视觉的非结构化道路识别与障碍物检测研究[D]. 钟鹏飞.华南农业大学 2016
[6]图像处理在车辆类型识别中的应用[D]. 张杰.武汉理工大学 2014
[7]基于深度学习的车辆型号识别[D]. 熊祎.华中科技大学 2014
本文编号：3465337
【文章来源】：昆明理工大学云南省
【文章页数】：84 页
【学位级别】：硕士
【部分图文】：
谷歌旗下Waymo公司的商业化智能车
认知水平能力离线测试两部分。其中，真实道路环境测试着重考察无人驾驶智能车辆的交通场景识别能力以及不同道路环境中的安全性（Safety）、舒适性（Smoothness）、敏捷性（Sharpness）和智能性（Smartness）等4S性能；离线测试则在大规模真实道路交通场景数据库的基础上，通过仿真环境评估无人驾驶车辆各类交通环境感知算法的基本认知能力和水平。近年来，随着传感器技术的发展，各家无人车在硬件方案上的差距越来越小，挑战赛上的比拼，逐渐从前几年硬件设备、系统方案的差异变为现在的引导算法、数据感知方面的差异。图1.2第十届中国智能车未来挑战赛参赛车辆
昆明理工大学硕士学位论文22值。经过灰度化处理，所得到的灰度图像每个像素只需一个字节存放灰度值（又称强度值、亮度值），相比原图像减少了数据量，更便于后续进一步进行图像处理分析操作。灰度化处理方法常用的有分量法、最大值法、平均值法和加权平均法，以加权平均法的应用最为广泛。根据文献[54]的研究结果，依据人眼对三基色的敏感程度不同，对绿色的敏感最高，对蓝色敏感最低，将三个分量以不同的权值进行加权平均。得到一种对RGB三分量进行加权平均（weightedaveragemethod）的灰度化方法，能得到较合理的灰度图像。若图像灰度化后的颜色矩阵为，原图像RGB矩阵的三个分量分别为、、，则有：=0.2989+0.5870+0.1140(2-4)依据上文介绍的加权平均灰度化方法，在MATLAB2018a计算机仿真平台中对已经完成白平衡操作的图像进行图像灰度化处理。2.4图像去噪数字图像图像的获娶传输和存贮过程中常受到成像设备与外部环境噪声干扰和影响，使图像质量降低，称为含噪图像或噪声图像。为了获取高质量数字图像，很有必要对图像进行降噪处理，尽可能的保持原始信息完整性（即主要特征）的同时，又能够去除信号中无用的信息。2.4.1常用去噪算法（1）均值滤波均值滤波是图像处理中最常用的手段，理想的均值滤波是用每个像素和它周围像素计算出来的平均值替换图像中每个像素。采样Kernel数据通常是边长为3的矩阵，如下表示：图2.2均值滤波原理示意图
【参考文献】：
期刊论文
[1]基于K-means算法的二步迭代道路检测算法[J]. 史迪玮,毛剑琳. 软件导刊. 2018(09)
[2]2018中国智能车大会将于常熟召开[J]. 模式识别与人工智能. 2018(05)
[3]基于深度卷积神经网络的车型识别方法[J]. 袁公萍,汤一平,韩旺明,陈麒. 浙江大学学报(工学版). 2018(04)
[4]路面检测技术综述[J]. 马建,赵祥模,贺拴海,宋宏勋,赵煜,宋焕生,程磊,王建锋,袁卓亚,黄福伟,张健,杨澜. 交通运输工程学报. 2017(05)
[5]改进的光照不变道路检测算法[J]. 杜凯,宋永超,巨永锋,姚洁茹,房建武,包旭. 交通运输系统工程与信息. 2017(05)
[6]Faster-RCNN的车型识别分析[J]. 桑军,郭沛,项志立,罗红玲,陈欣. 重庆大学学报. 2017(07)
[7]基于最小安全距离的车辆交叉换道模型研究[J]. 李娟,曲大义,万孟飞,曹俊业,刘聪. 青岛理工大学学报. 2017(01)
[8]基于深度卷积神经网络的场景自适应道路分割算法[J]. 王海,蔡英凤,贾允毅,陈龙,江浩斌. 电子与信息学报. 2017(02)
[9]高速公路交通事故影响因素分析及伤害估计[J]. 王磊,吕璞,林永杰. 中国安全科学学报. 2016(03)
[10]基于深度卷积神经网络的车型识别研究[J]. 邓柳,汪子杰. 计算机应用研究. 2016(03)
硕士论文
[1]基于深度学习的车型识别研究[D]. 张佳佳.石家庄铁道大学 2017
[2]基于机器视觉的智能车辆跟踪方法研究与应用[D]. 宋国浩.中北大学 2017
[3]智能车辆基于视觉的可通行区域检测方法[D]. 潘奎刚.南京理工大学 2017
[4]基于机器学习的道路区域识别方法研究[D]. 李春阳.浙江大学 2016
[5]基于机器视觉的非结构化道路识别与障碍物检测研究[D]. 钟鹏飞.华南农业大学 2016
[6]图像处理在车辆类型识别中的应用[D]. 张杰.武汉理工大学 2014
[7]基于深度学习的车辆型号识别[D]. 熊祎.华中科技大学 2014
本文编号：3465337
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3465337.html
