隨著科學(xué)技術(shù)的不斷發(fā)展,智能車輛輔助駕駛系統(tǒng)（Advanced Driver Assi stant System,ADAS）開始逐漸普及到人們的生活中。ADAS主要致力于改善駕駛員對(duì)路面信息的感知,及時(shí)提醒駕駛員道路中潛在的威脅,進(jìn)而減少事故的發(fā)生率。因此,ADAS對(duì)道路障礙物檢測(cè)的準(zhǔn)確率和實(shí)時(shí)性有著很高的要求。本文在研究傳統(tǒng)障礙物檢測(cè)算法的基礎(chǔ)上,以準(zhǔn)確率和實(shí)時(shí)性為目標(biāo)對(duì)傳統(tǒng)算法進(jìn)行了改進(jìn)。本文的研究重點(diǎn)主要集中在以下幾個(gè)方面:1、本文首先闡述了障礙物檢測(cè)算法和增強(qiáng)現(xiàn)實(shí)技術(shù)（Augmented Reality,AR）的國(guó)內(nèi)外研究現(xiàn)狀,然后指明了本文的研究對(duì)象,并對(duì)本文所涉及到的相關(guān)基礎(chǔ)理論做了詳細(xì)介紹。同時(shí),研究了圖像預(yù)處理算法,包括感興趣區(qū)域提取、圖像灰度化、濾波等算法,并以魯棒性和實(shí)時(shí)性為標(biāo)準(zhǔn)分析了各個(gè)算法的優(yōu)缺點(diǎn)。2、為了提高系統(tǒng)的實(shí)時(shí)性和準(zhǔn)確率,本文采用假設(shè)驗(yàn)證的方法對(duì)道路障礙物進(jìn)行檢測(cè)。在候選區(qū)域生成方面,為了解決傳統(tǒng)閡值分割算法在分割道路與障礙物時(shí)造成的誤分割,采用了改進(jìn)的基于道路灰度直方圖的自適應(yīng)閾值分割算法,分割出障礙物與道路背景。對(duì)于分割后的二值圖像,再根據(jù)不同寬度... 

【文章來(lái)源】：福州大學(xué)福建省 211工程院校

【文章頁(yè)數(shù)】：89 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
中文摘要
Abstract
第一章 緒論
    1.1 課題背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 障礙物檢測(cè)技術(shù)研究現(xiàn)狀
        1.2.2 增強(qiáng)現(xiàn)實(shí)應(yīng)用研究現(xiàn)狀
    1.3 本文的研究對(duì)象
    1.4 本文主要內(nèi)容及組織框架
第二章 道路障礙物檢測(cè)算法及增強(qiáng)現(xiàn)實(shí)相關(guān)理論
    2.1 道路障礙物檢測(cè)技術(shù)相關(guān)理論
        2.1.1 障礙物檢測(cè)方法
        2.1.2 障礙物特征提取方法
        2.1.3 卷積神經(jīng)網(wǎng)絡(luò)
    2.2 圖像預(yù)處理
        2.2.1 感興趣區(qū)域提取
        2.2.2 圖像灰度化
        2.2.3 圖像濾波
    2.3 增強(qiáng)現(xiàn)實(shí)基本理論
        2.3.1 增強(qiáng)現(xiàn)實(shí)的坐標(biāo)系定義及其關(guān)系
        2.3.2 攝像機(jī)標(biāo)定
    2.4 本章小結(jié)
第三章 基于閾值分割的道路障礙物候選區(qū)域提取
    3.1 本文障礙物檢測(cè)算法框架
    3.2 候選區(qū)域生成
        3.2.1 閾值分割
        3.2.2 改進(jìn)的自適應(yīng)閾值分割
        3.2.3 根據(jù)障礙物寬度生成候選區(qū)域
    3.3 分割評(píng)估參數(shù)
    3.4 實(shí)驗(yàn)結(jié)果分析
        3.4.1 實(shí)驗(yàn)環(huán)境
        3.4.2 閾值分割結(jié)果分析
        3.4.3 候選區(qū)域結(jié)果分析
    3.5 本章小結(jié)
第四章 基于卷積神經(jīng)網(wǎng)絡(luò)的障礙物驗(yàn)證
    4.1 引言
    4.2 AlexNet模型介紹
    4.3 CNN模型框架的設(shè)計(jì)與改進(jìn)
        4.3.1 卷積神經(jīng)網(wǎng)絡(luò)模型參數(shù)優(yōu)化
        4.3.2 引入批歸一化層
    4.4 卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練
        4.4.1 網(wǎng)絡(luò)模型訓(xùn)練過(guò)程
        4.4.2 訓(xùn)練方法和參數(shù)設(shè)定
        4.4.3 訓(xùn)練數(shù)據(jù)增強(qiáng)處理
    4.5 實(shí)驗(yàn)結(jié)果及分析
        4.5.1 實(shí)驗(yàn)環(huán)境及樣本數(shù)據(jù)
        4.5.2 參數(shù)優(yōu)化實(shí)驗(yàn)分析
        4.5.3 引入批歸一化層實(shí)驗(yàn)分析
    4.6 本章小結(jié)
第五章 基于障礙物檢測(cè)的增強(qiáng)現(xiàn)實(shí)技術(shù)研究
    5.1 系統(tǒng)分析
    5.2 虛擬物體注冊(cè)方法
        5.2.1 特征點(diǎn)檢測(cè)
        5.2.2 特征點(diǎn)描述
        5.2.3 特征點(diǎn)匹配
    5.3 改進(jìn)的BRISK算法
    5.4 攝相機(jī)位姿計(jì)算
    5.5 實(shí)驗(yàn)結(jié)果與分析
        5.5.1 特征點(diǎn)匹配實(shí)驗(yàn)分析
        5.5.2 虛擬物體注冊(cè)結(jié)果
        5.5.3 系統(tǒng)實(shí)時(shí)性分析
    5.6 本章小結(jié)
總結(jié)與展望
參考文獻(xiàn)
致謝
個(gè)人簡(jiǎn)歷
攻讀碩士期間的研究成果及發(fā)表的學(xué)術(shù)論文


【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別研究[J]. 解駿,陳瑋.  軟件導(dǎo)刊. 2018(01)
[2]機(jī)器視覺(jué)在汽車駕駛輔助系統(tǒng)中的應(yīng)用[J]. 張琳琳,鄭碧琪.  上海汽車. 2017(10)
[3]基于GoogLeNet的靜態(tài)圖像中人體行為分類研究[J]. 白陽(yáng),萬(wàn)洪林,白成杰.  電腦知識(shí)與技術(shù). 2017(18)
[4]中國(guó)汽車工程學(xué)術(shù)研究綜述·2017[J]. 《中國(guó)公路學(xué)報(bào)》編輯部.  中國(guó)公路學(xué)報(bào). 2017(06)
[5]結(jié)合光流法的車輛運(yùn)動(dòng)估計(jì)優(yōu)化方法[J]. 周經(jīng)美,趙祥模,程鑫,徐志剛,劉占文.  哈爾濱工業(yè)大學(xué)學(xué)報(bào). 2016(09)
[6]基于Lenet-5的卷積神經(jīng)網(wǎng)絡(luò)改進(jìn)算法[J]. 李丹,沈夏炯,張海香,朱永強(qiáng).  計(jì)算機(jī)時(shí)代. 2016(08)
[7]基于限制玻爾茲曼機(jī)的極限學(xué)習(xí)機(jī)方法[J]. 金培源,高波涌,陸慧娟,陳蓮娜.  數(shù)學(xué)的實(shí)踐與認(rèn)識(shí). 2016(11)
[8]基于平均中值離差的2維最小誤差閾值分割法[J]. 宋斌,楊恢先,曾金芳,譚正華,李翠菊.  激光技術(shù). 2015(05)
[9]LDBP和LBP特征融合的行人檢測(cè)[J]. 歐陽(yáng)瑞彬,王偉征,桂彥.  計(jì)算機(jī)工程與應(yīng)用. 2016(12)
[10]基于梯度熵的Otsu圖像分割算法[J]. 李學(xué)俊,劉祥俊,趙禮良.  計(jì)算機(jī)工程與設(shè)計(jì). 2015(03)

碩士論文
[1]基于Otsu算法的輸送帶撕裂視覺(jué)檢測(cè)系統(tǒng)研究[D]. 郭啟皇.太原理工大學(xué) 2017
[2]基于圖像處理的鑄件缺陷自動(dòng)識(shí)別系統(tǒng)研究[D]. 安順林.太原科技大學(xué) 2017
[3]復(fù)雜環(huán)境下車牌識(shí)別系統(tǒng)中關(guān)鍵技術(shù)的研究與實(shí)現(xiàn)[D]. 周彬彬.南昌航空大學(xué) 2016
[4]自主車輛道路線檢測(cè)與偏離預(yù)警方法研究[D]. 彭湃.湖南大學(xué) 2015
[5]單目視覺(jué)的動(dòng)態(tài)場(chǎng)景下運(yùn)動(dòng)障礙物檢測(cè)算法研究[D]. 孫燕娜.東北大學(xué) 2013
[6]基于計(jì)算機(jī)視覺(jué)的飛行器姿態(tài)估計(jì)方法研究[D]. 黃長(zhǎng)專.南京航空航天大學(xué) 2009



本文編號(hào)：3175403