基于机器视觉的前方车辆运行状态估计
发布时间：2021-03-23 14:48
随着高性能摄像设备的普及以及计算机和模式识别技术的发展,基于计算机视觉的车辆检测、车辆跟踪、车辆定位、轨迹分析等技术成为研究热点。这些技术在交通领域具有广泛的应用前景,如车辆轨迹预测、辅助驾驶系统、自动驾驶系统等。目前,虽然人们对车辆检测等技术已开展了一些研究,但现有的算法还很不成熟,无论是在准确性方面还是在计算速度方面都无法满足实际系统的需要。面对这种现状,本文利用图像处理和模式识别的方法对视频图像中车辆检测、测速测距等问题进行了研究。主要工作内容如下:1.提出了结合使用HOG特征与SIFT特征作为车辆检测的特征提取算法,再通过支持向量机（SVM）训练正反样本,在不同核函数下验证训练效果,最终将训练模型应用到不同环境的视频文件中检验效果。该方法提升了传统车辆检测的效率,车辆检测率达到98.38%,但是也存在夜视下误检率较大的情况,实际效果仍有待提高。2.提出了以摄像机高度、俯仰角、方向角为误差补偿的单目视觉测距模型,通过几何投影原理来获取前方车辆距离信息并且计算出前方车辆速度。最终实验效果表明,该方法可以实时检测前方车辆的距离与速度,对于保证车辆行驶过程中的安全距离与安全速度,防止车...
【文章来源】：兰州理工大学甘肃省
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
提取ROI区域
8基于机器视觉的前方车辆运行状态估计)(31BGRBGR(2.1)该方法可以帮助图像获得较为柔和的处理效果[27]。（2）最大值法：使得三种颜色分量,,BGR的值取三者中的最大值，即式（2.2）所示：3BGR),,max(BGR(2.2)该方法可以帮助图像获得高亮度的处理效果。（3）加权平均值法：使三种颜色分量,,BGR分别赋予相应的权值bgr,,TTT，最终取,,BGR的值为三者的加权平均值，即式（2.3）所示：BTGTRTBGR）bgr(31(2.3)由于人眼对绿色的敏感程度较高，对蓝色的敏感程度较低，即RBG。因此选取不同的bgr,,TTT值，就会得到不同的权值图像。而通常情况下权值的选取需要满足rbgTTT，通过实验与理论证明，选取rT=0.299，gT=0.587，bT=0.114时，可以获得最佳效果的灰度化处理[28]。即式（2.4）所示：)0.1140.5870.29931BGRVBGRgray（(2.4)由于加权平均值的方法使得图像信息更加清晰，本文采用了加权平均值的方法对原始的视频文件进行灰度化处理。灰度化图像如图2.2所示。图2.2图像灰度化2.2.2图像去噪由于受到外界环境的干扰以及数据传输保存中随机信号的影响，实际使用的视频图像会有很多的噪声。并且由于噪声的随机性，导致灰度化后的图像像素值会发生突变，这将很大程度干扰检测的实际效果。因此，图像的滤波即要去除可能影响检测的噪声，又要保证原图像的目标形状及结构的完整性。图像滤波由于不同机理主要分为空域滤波和频域滤波，空域滤波是在原图像基础上对其每个像素点的值进行加权平均处理，常见的方法有：中值滤波、均值滤波等。频域滤波是将图像从空间域处理为变换域，在变换域中去除图像噪声，最后返回空间域，常见的方法有：傅里叶变换、小波变换等[29]。
车辆
【参考文献】：
期刊论文
[1]基于Haar-like和Adaboost的车辆检测算法研究[J]. 倪朋朋,顾海全,董锋格,王文斌. 汽车零部件. 2019(10)
[2]基于视觉的目标识别中改进SIFT算法研究[J]. 马庭田,叶文华,黄河,郭云霞. 机械制造与自动化. 2019(02)
[3]Minimum Time Overtaking Problem of Vehicle Handling Inverse Dynamics Based on Two Kinds of Safe Distances[J]. You-Qun Zhao,Xing-Long Zhang,Wen-Xin Zhang,Fen Lin. Chinese Journal of Mechanical Engineering. 2018(06)
[4]探讨汽车运用技术及发展趋势[J]. 薛振生. 科技资讯. 2018(06)
[5]人脸特征点提取方法综述[J]. 李月龙,靳彦,汪剑鸣,肖志涛,耿磊. 计算机学报. 2016(07)
[6]半监督SVM分类算法的交通视频车辆检测方法[J]. 蒋新华,高晟,廖律超,邹复民. 智能系统学报. 2015(05)
[7]基于压缩感知与尺度不变特征变换的图像配准算法[J]. 杨飒,杨春玲. 光学学报. 2014(11)
[8]基于HOG特征和SVM的前向车辆识别方法[J]. 李星,郭晓松,郭君斌. 计算机科学. 2013(S2)
[9]基于LBP纹理分析的视频车辆检测研究[J]. 马晓芬,朱健,张伟. 电脑知识与技术. 2011(19)
[10]基于高斯混合模型的空间域背景分离法及阴影消除法[J]. 朱碧婷,郑世宝. 中国图象图形学报. 2008(10)
博士论文
[1]基于视觉信息的图像特征提取算法研究[D]. 戴金波.吉林大学 2013
硕士论文
[1]基于HOG特征提取的车辆检测方法研究[D]. 刘家旭.华北电力大学 2017
[2]基于多图像特征金字塔的车辆检测[D]. 曹晓明.北京交通大学 2016
[3]基于双目视觉的结构化道路前方车辆检测与距离测量[D]. 汪云龙.大连理工大学 2014
[4]基于电感线圈的车辆检测器系统设计[D]. 熊圣明.重庆大学 2014
[5]基于HOG的监控视频摘要[D]. 刘威.复旦大学 2011
[6]微波视频融合车辆检测与分类技术研究[D]. 邓晨.武汉理工大学 2010
[7]基于线性SVM的级联检测器的构造及其在目标检测中的应用[D]. 安平.国防科学技术大学 2007
[8]基于激光测距器的汽车安全辅助驾驶技术[D]. 周荷.哈尔滨工业大学 2007
本文编号：3095984
【文章来源】：兰州理工大学甘肃省
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
提取ROI区域
8基于机器视觉的前方车辆运行状态估计)(31BGRBGR(2.1)该方法可以帮助图像获得较为柔和的处理效果[27]。（2）最大值法：使得三种颜色分量,,BGR的值取三者中的最大值，即式（2.2）所示：3BGR),,max(BGR(2.2)该方法可以帮助图像获得高亮度的处理效果。（3）加权平均值法：使三种颜色分量,,BGR分别赋予相应的权值bgr,,TTT，最终取,,BGR的值为三者的加权平均值，即式（2.3）所示：BTGTRTBGR）bgr(31(2.3)由于人眼对绿色的敏感程度较高，对蓝色的敏感程度较低，即RBG。因此选取不同的bgr,,TTT值，就会得到不同的权值图像。而通常情况下权值的选取需要满足rbgTTT，通过实验与理论证明，选取rT=0.299，gT=0.587，bT=0.114时，可以获得最佳效果的灰度化处理[28]。即式（2.4）所示：)0.1140.5870.29931BGRVBGRgray（(2.4)由于加权平均值的方法使得图像信息更加清晰，本文采用了加权平均值的方法对原始的视频文件进行灰度化处理。灰度化图像如图2.2所示。图2.2图像灰度化2.2.2图像去噪由于受到外界环境的干扰以及数据传输保存中随机信号的影响，实际使用的视频图像会有很多的噪声。并且由于噪声的随机性，导致灰度化后的图像像素值会发生突变，这将很大程度干扰检测的实际效果。因此，图像的滤波即要去除可能影响检测的噪声，又要保证原图像的目标形状及结构的完整性。图像滤波由于不同机理主要分为空域滤波和频域滤波，空域滤波是在原图像基础上对其每个像素点的值进行加权平均处理，常见的方法有：中值滤波、均值滤波等。频域滤波是将图像从空间域处理为变换域，在变换域中去除图像噪声，最后返回空间域，常见的方法有：傅里叶变换、小波变换等[29]。
车辆
【参考文献】：
期刊论文
[1]基于Haar-like和Adaboost的车辆检测算法研究[J]. 倪朋朋,顾海全,董锋格,王文斌. 汽车零部件. 2019(10)
[2]基于视觉的目标识别中改进SIFT算法研究[J]. 马庭田,叶文华,黄河,郭云霞. 机械制造与自动化. 2019(02)
[3]Minimum Time Overtaking Problem of Vehicle Handling Inverse Dynamics Based on Two Kinds of Safe Distances[J]. You-Qun Zhao,Xing-Long Zhang,Wen-Xin Zhang,Fen Lin. Chinese Journal of Mechanical Engineering. 2018(06)
[4]探讨汽车运用技术及发展趋势[J]. 薛振生. 科技资讯. 2018(06)
[5]人脸特征点提取方法综述[J]. 李月龙,靳彦,汪剑鸣,肖志涛,耿磊. 计算机学报. 2016(07)
[6]半监督SVM分类算法的交通视频车辆检测方法[J]. 蒋新华,高晟,廖律超,邹复民. 智能系统学报. 2015(05)
[7]基于压缩感知与尺度不变特征变换的图像配准算法[J]. 杨飒,杨春玲. 光学学报. 2014(11)
[8]基于HOG特征和SVM的前向车辆识别方法[J]. 李星,郭晓松,郭君斌. 计算机科学. 2013(S2)
[9]基于LBP纹理分析的视频车辆检测研究[J]. 马晓芬,朱健,张伟. 电脑知识与技术. 2011(19)
[10]基于高斯混合模型的空间域背景分离法及阴影消除法[J]. 朱碧婷,郑世宝. 中国图象图形学报. 2008(10)
博士论文
[1]基于视觉信息的图像特征提取算法研究[D]. 戴金波.吉林大学 2013
硕士论文
[1]基于HOG特征提取的车辆检测方法研究[D]. 刘家旭.华北电力大学 2017
[2]基于多图像特征金字塔的车辆检测[D]. 曹晓明.北京交通大学 2016
[3]基于双目视觉的结构化道路前方车辆检测与距离测量[D]. 汪云龙.大连理工大学 2014
[4]基于电感线圈的车辆检测器系统设计[D]. 熊圣明.重庆大学 2014
[5]基于HOG的监控视频摘要[D]. 刘威.复旦大学 2011
[6]微波视频融合车辆检测与分类技术研究[D]. 邓晨.武汉理工大学 2010
[7]基于线性SVM的级联检测器的构造及其在目标检测中的应用[D]. 安平.国防科学技术大学 2007
[8]基于激光测距器的汽车安全辅助驾驶技术[D]. 周荷.哈尔滨工业大学 2007
本文编号：3095984
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3095984.html
最近更新
教材专著
