基于视觉的道路图像处理与车道线检测研究
发布时间：2021-03-21 14:41
随着科技的发展,汽车行业正在大步迈向智能驾驶时代,道路识别和路径跟踪是智能驾驶的基础,也是高级辅助驾驶系统（ADAS）的主要组成部分。本文围绕结构化道路识别展开研究,旨在提出一种快速、准确、鲁棒性高的车道线检测方法。本文针对智能汽车的道路识别问题做了以下研究:基于视觉的道路识别技术主要包括:图像预处理、感兴趣区域选择、车道线特征点识别、车道线的拟合与跟踪等四个方面。对于传感器采集的真实道路图像,本文利用图像的灰度转化减小图像的计算量;采用图像增强处理突出图像中的边缘部分;然后利用局部OTSU算法对图像中的车道线边缘和噪声进行分割,并用开运算与闭运算对初始车道线边缘进行形态学处理,完成道路图像的预处理。图像的感兴趣区域（ROI）选择是提高道路识别的实时性和准确性的关键技术之一,本文利用仿射变换将车道图像转化为鸟瞰图,根据鸟瞰图中的道路特征,运用一种基于横纵向安全视野的动态感兴趣区域（DROI）选择方法,利用上一帧的车道线方程和车速数据,求解道路边缘上各点的曲率以及最大安全距离,通过像素与实际距离的转化,实现当前时刻DROI的准确选择。本文根据车道线的设计特征,利用基于DROI全局搜索和改...
【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校
【文章页数】：91 页
【学位级别】：硕士
【部分图文】：
交通拥堵图
年，各参赛队伍的自动驾驶技术得到了显著提高，最终由斯坦福大学的无人车赢得冠军。2007年DARPA挑战赛由沙漠转向了城市道路，实现了城市工况的自动驾驶竞赛。随后谷歌、Uber、特斯拉等都相继加入了智能车研究的队列中。2015年谷歌表示，该公司的无人驾驶汽车已经成功完成超过130万英里的路试。2015年12月份特斯拉发布的Aotopilot实现量产，预示着智能汽车正式进入市常2017年美国交通部发布《自动驾驶系统2.0：安全愿景》，正式为自动驾驶车辆立法，为智能车上市扫清法律障碍。(a)谷歌自动驾驶汽车(b)百度自动驾驶汽车图1.2谷歌与百度的自动驾驶汽车Fig.1.2AutonomousvehicleofGoogleandBaidu欧洲的无人驾驶技术起源于自动控制技术，最初的目的是实现高级辅助驾驶，帮助驾驶员判断和分析路况。90年代末的意大利帕尔马大学视觉实验室研制的自动驾驶汽车在高速公路上实现了长距离、高速度的无人驾驶测试，其中人为干预不足6%，车速也是超过了110km/h。随后德国慕尼黑联邦国防大学与奔驰共同研发的VAMP自动驾驶试验车辆开始进行路测，该车总共完成了超过1600公里的实路测试，其中人工干预不超过5%。2010年，Vislab路测四辆自动驾驶车辆从意大利帕尔马出发，实现了穿越9国行程1.3万公里的超长距离试车。2017年5月，德国开始在政策和法律上对自动驾驶技术予以支持，并修改《道路交通法》，为自动驾驶技术的商用扫清障碍。随后英国等国家开始在保险、车联网等方面开始出
重庆大学硕士学位论文14图2.3RGB图像Fig.2.3RGBImage②灰度图也称亮度图像灰度图像与RGB图像相比，数据量要小很多。它的每个像素只有一个灰度值，是一个确定的数值，一般该值在0~255之间，用于表示该图像的亮度，黑色用0表示，白色的亮度的255，属于最高亮度。同样的，不同的颜色在灰度图像中都有相对应的灰度值表示，所以图像中的不同对象都有较为明显的边缘差异。此外灰度图像还有一种特殊形式为二值化图像；在二值化图像中，图像的像素值只有0和1，分别表示黑色和白色，也就只有两种亮度。在没有归一化的图像中，也有用0和255来表示黑白亮度的。如图2.4所示。(a)一般灰度图像(b)二值化灰度图像图2.4二值化前后对比图Fig.2.4Comparisonofimagesbeforeandafterbinarization本文采用的数据样本是利用车载摄像机或者行车记录仪录制的车载视频流，存储时是以RGB格式存储图像数据的。本文的主要的研究对象是车道线，所以利用灰度图就可以实现道路的识别，相对于RGB彩色图像处理，灰度图的计算量要小很多。在对车载摄像头收集到的彩色真实道路图片序列进行处理时，先对视频中的单帧图像进行灰度处理，以下介绍彩色图像转灰度图像的一些常用的方法。由RGB到Gray,其中几种著名的灰度转换方法为：
【参考文献】：
期刊论文
[1]基于多帧叠加和窗口搜索的快速车道检测[J]. 陈涵深,姚明海,陈志浩,杨圳. 计算机科学. 2018(10)
[2]基于感兴趣区域模型的车道线快速检测算法[J]. 钱基德,陈斌,钱基业,陈刚. 电子科技大学学报. 2018(03)
[3]基于改进最小二乘法车道线模型的车道标识线检测识别[J]. 梁朱冬,陈洪洋. 汽车实用技术. 2017(15)
[4]基于双重ROI和变间距扫描的车道线检测[J]. 王鑫,刘玉超,海丹. 指挥与控制学报. 2017(02)
[5]基于交通事故数据的汽车安全技术发展趋势分析[J]. 李一兵,孙岳霆,徐成亮. 汽车安全与节能学报. 2016(03)
[6]基于卡方分布的高维数据相似性连接查询算法[J]. 马友忠,贾世杰,张永新. 计算机应用. 2016(07)
[7]基于优先像素与卡尔曼滤波追踪的车道线检测[J]. 陈涛,张洪丹,陈东,谭纯. 汽车工程. 2016(02)
[8]基于方向可变Haar特征和双曲线模型的车道线检测方法[J]. 王海,蔡英凤,林国余,张为公. 交通运输工程学报. 2014(05)
[9]不同光照下基于自适应图像阈值的车道保持系统设计[J]. 李进,陈杰平,易克传,徐朝胜,范智平. 机械工程学报. 2014(02)
[10]数字图像处理技术的发展现状及趋势[J]. 张玮雄,刘建霞. 科学之友. 2012(06)
硕士论文
[1]结构化道路车道线的单目视觉检测方法研究[D]. 范宝正.湖南大学 2018
[2]无人驾驶车辆的行道线检测方法研究[D]. 李强.南京理工大学 2017
[3]高速公路弯道车速预警系统的研究[D]. 陈亮.长安大学 2012
本文编号：3093042
【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校
【文章页数】：91 页
【学位级别】：硕士
【部分图文】：
交通拥堵图
年，各参赛队伍的自动驾驶技术得到了显著提高，最终由斯坦福大学的无人车赢得冠军。2007年DARPA挑战赛由沙漠转向了城市道路，实现了城市工况的自动驾驶竞赛。随后谷歌、Uber、特斯拉等都相继加入了智能车研究的队列中。2015年谷歌表示，该公司的无人驾驶汽车已经成功完成超过130万英里的路试。2015年12月份特斯拉发布的Aotopilot实现量产，预示着智能汽车正式进入市常2017年美国交通部发布《自动驾驶系统2.0：安全愿景》，正式为自动驾驶车辆立法，为智能车上市扫清法律障碍。(a)谷歌自动驾驶汽车(b)百度自动驾驶汽车图1.2谷歌与百度的自动驾驶汽车Fig.1.2AutonomousvehicleofGoogleandBaidu欧洲的无人驾驶技术起源于自动控制技术，最初的目的是实现高级辅助驾驶，帮助驾驶员判断和分析路况。90年代末的意大利帕尔马大学视觉实验室研制的自动驾驶汽车在高速公路上实现了长距离、高速度的无人驾驶测试，其中人为干预不足6%，车速也是超过了110km/h。随后德国慕尼黑联邦国防大学与奔驰共同研发的VAMP自动驾驶试验车辆开始进行路测，该车总共完成了超过1600公里的实路测试，其中人工干预不超过5%。2010年，Vislab路测四辆自动驾驶车辆从意大利帕尔马出发，实现了穿越9国行程1.3万公里的超长距离试车。2017年5月，德国开始在政策和法律上对自动驾驶技术予以支持，并修改《道路交通法》，为自动驾驶技术的商用扫清障碍。随后英国等国家开始在保险、车联网等方面开始出
重庆大学硕士学位论文14图2.3RGB图像Fig.2.3RGBImage②灰度图也称亮度图像灰度图像与RGB图像相比，数据量要小很多。它的每个像素只有一个灰度值，是一个确定的数值，一般该值在0~255之间，用于表示该图像的亮度，黑色用0表示，白色的亮度的255，属于最高亮度。同样的，不同的颜色在灰度图像中都有相对应的灰度值表示，所以图像中的不同对象都有较为明显的边缘差异。此外灰度图像还有一种特殊形式为二值化图像；在二值化图像中，图像的像素值只有0和1，分别表示黑色和白色，也就只有两种亮度。在没有归一化的图像中，也有用0和255来表示黑白亮度的。如图2.4所示。(a)一般灰度图像(b)二值化灰度图像图2.4二值化前后对比图Fig.2.4Comparisonofimagesbeforeandafterbinarization本文采用的数据样本是利用车载摄像机或者行车记录仪录制的车载视频流，存储时是以RGB格式存储图像数据的。本文的主要的研究对象是车道线，所以利用灰度图就可以实现道路的识别，相对于RGB彩色图像处理，灰度图的计算量要小很多。在对车载摄像头收集到的彩色真实道路图片序列进行处理时，先对视频中的单帧图像进行灰度处理，以下介绍彩色图像转灰度图像的一些常用的方法。由RGB到Gray,其中几种著名的灰度转换方法为：
【参考文献】：
期刊论文
[1]基于多帧叠加和窗口搜索的快速车道检测[J]. 陈涵深,姚明海,陈志浩,杨圳. 计算机科学. 2018(10)
[2]基于感兴趣区域模型的车道线快速检测算法[J]. 钱基德,陈斌,钱基业,陈刚. 电子科技大学学报. 2018(03)
[3]基于改进最小二乘法车道线模型的车道标识线检测识别[J]. 梁朱冬,陈洪洋. 汽车实用技术. 2017(15)
[4]基于双重ROI和变间距扫描的车道线检测[J]. 王鑫,刘玉超,海丹. 指挥与控制学报. 2017(02)
[5]基于交通事故数据的汽车安全技术发展趋势分析[J]. 李一兵,孙岳霆,徐成亮. 汽车安全与节能学报. 2016(03)
[6]基于卡方分布的高维数据相似性连接查询算法[J]. 马友忠,贾世杰,张永新. 计算机应用. 2016(07)
[7]基于优先像素与卡尔曼滤波追踪的车道线检测[J]. 陈涛,张洪丹,陈东,谭纯. 汽车工程. 2016(02)
[8]基于方向可变Haar特征和双曲线模型的车道线检测方法[J]. 王海,蔡英凤,林国余,张为公. 交通运输工程学报. 2014(05)
[9]不同光照下基于自适应图像阈值的车道保持系统设计[J]. 李进,陈杰平,易克传,徐朝胜,范智平. 机械工程学报. 2014(02)
[10]数字图像处理技术的发展现状及趋势[J]. 张玮雄,刘建霞. 科学之友. 2012(06)
硕士论文
[1]结构化道路车道线的单目视觉检测方法研究[D]. 范宝正.湖南大学 2018
[2]无人驾驶车辆的行道线检测方法研究[D]. 李强.南京理工大学 2017
[3]高速公路弯道车速预警系统的研究[D]. 陈亮.长安大学 2012
本文编号：3093042
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3093042.html
最近更新
教材专著
