隨著汽車工業(yè)的迅速發(fā)展和汽車數(shù)量的不斷增加,同時(shí)伴隨著越來(lái)越極端且頻繁發(fā)生的交通事故,造成巨大的人員傷亡和財(cái)產(chǎn)損失。汽車安全駕駛技術(shù)、無(wú)人駕駛技術(shù)以及其他面向汽車安全駕駛的技術(shù)作為減少交通事故、人員傷亡和財(cái)產(chǎn)損失的有效手段,已逐漸成為交通工程領(lǐng)域的研究前沿。在面向汽車安全駕駛的技術(shù)中,運(yùn)動(dòng)目標(biāo)的檢測(cè)和跟蹤已經(jīng)取得了豐碩的研究成果。然而,目前的研究思路都需要先進(jìn)行目標(biāo)的分類和識(shí)別,比如行人、車輛、騎自行車的人等等,然后再進(jìn)行跟蹤。但是,由于駕駛環(huán)境的復(fù)雜性,比如晴天、雨天、霧天等不可控因素的影響,以及目標(biāo)自身的形狀、大小、姿態(tài)等因素的影響,給目標(biāo)的準(zhǔn)確檢測(cè)帶來(lái)了極大挑戰(zhàn)。同時(shí),這也意味著只能對(duì)特定類型的目標(biāo)進(jìn)行檢測(cè),而實(shí)際的駕駛環(huán)境中可能會(huì)出現(xiàn)各種各樣的運(yùn)動(dòng)目標(biāo),這些方法也限制了汽車駕駛技術(shù)的作用。本課題中通過(guò)分析發(fā)現(xiàn),駕駛員真正關(guān)注的是駕駛環(huán)境中所存在的異常運(yùn)動(dòng)目標(biāo),而無(wú)需識(shí)別異常運(yùn)動(dòng)目標(biāo)的是行人還是車輛。因此,本文從異常運(yùn)動(dòng)檢測(cè)的角度入手,通過(guò)結(jié)合運(yùn)動(dòng)信息和深度信息對(duì)交通環(huán)境進(jìn)行分析,檢測(cè)出運(yùn)動(dòng)區(qū)域,并構(gòu)建異常性量化模型,對(duì)檢測(cè)出的區(qū)域進(jìn)行異常性量化并判斷該區(qū)域是否會(huì)對(duì)自車造成威脅,... 

【文章來(lái)源】：北京工業(yè)大學(xué)北京市 211工程院校

【文章頁(yè)數(shù)】：64 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景和意義
    1.2 運(yùn)動(dòng)區(qū)域檢測(cè)研究現(xiàn)狀
        1.2.1 基于圖像特征的運(yùn)動(dòng)目標(biāo)檢測(cè)方法研究現(xiàn)狀
        1.2.2 基于運(yùn)動(dòng)特征的運(yùn)動(dòng)目標(biāo)檢測(cè)方法研究現(xiàn)狀
    1.3 本文的主要研究?jī)?nèi)容
    1.4 本文組織結(jié)構(gòu)
第2章 相關(guān)技術(shù)及基礎(chǔ)
    2.1 雙目立體視覺(jué)技術(shù)
    2.2 基于視頻的運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)
        2.2.1 光流法
        2.2.2 RANSAC算法
    2.3 本章小結(jié)
第3章 基于運(yùn)動(dòng)信息和深度信息的運(yùn)動(dòng)區(qū)域檢測(cè)
    3.1 引言
    3.2 基于運(yùn)動(dòng)信息的運(yùn)動(dòng)區(qū)域檢測(cè)
        3.2.1 關(guān)鍵步驟
        3.2.2 傳統(tǒng)檢測(cè)算法的不足之處
    3.3 基于運(yùn)動(dòng)信息和深度信息的運(yùn)動(dòng)區(qū)域檢測(cè)方法
        3.3.1 計(jì)算運(yùn)動(dòng)信息
        3.3.2 基于深度信息對(duì)特征點(diǎn)對(duì)分層
        3.3.3 基于運(yùn)動(dòng)模型對(duì)特征點(diǎn)對(duì)分類
        3.3.4 基于密度聚類算法獲取運(yùn)動(dòng)區(qū)域
    3.4 實(shí)驗(yàn)與結(jié)果分析
        3.4.1 實(shí)驗(yàn)參數(shù)設(shè)置
        3.4.2 實(shí)驗(yàn)結(jié)果與討論
    3.5 本章小結(jié)
第4章 基于車載視頻的異常運(yùn)動(dòng)區(qū)域檢測(cè)
    4.1 引言
    4.2 異常性量化模型的關(guān)鍵步驟
        4.2.1 計(jì)算速度大小的影響因子
        4.2.2 計(jì)算距離的影響因子
        4.2.3 計(jì)算運(yùn)動(dòng)方向的影響因子
        4.2.4 獲取異常運(yùn)動(dòng)區(qū)域
    4.3 實(shí)驗(yàn)結(jié)果與分析
    4.4 本章小結(jié)
第5章 基于車載視頻的異常運(yùn)動(dòng)區(qū)域檢測(cè)系統(tǒng)
    5.1 需求分析
    5.2 系統(tǒng)設(shè)計(jì)
    5.3 系統(tǒng)實(shí)現(xiàn)
        5.3.1 開(kāi)發(fā)平臺(tái)
        5.3.2 系統(tǒng)界面設(shè)計(jì)及功能實(shí)現(xiàn)
        5.3.3 算法實(shí)現(xiàn)
    5.4 系統(tǒng)評(píng)估
        5.4.1 評(píng)估方法
        5.4.2 評(píng)估結(jié)果
    5.5 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士期間的主要科研成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]結(jié)合Hough變換與Kalman濾波的車道線檢測(cè)方法[J]. 郭笙聽(tīng),李子印,趙儲(chǔ).  中國(guó)計(jì)量大學(xué)學(xué)報(bào). 2017(04)
[2]基于幀間差分的ViBe運(yùn)動(dòng)目標(biāo)檢測(cè)[J]. 徐君妍,袁址赟,崔宗勇,曹宗杰.  科學(xué)技術(shù)與工程. 2017(27)
[3]基于幀差法和背景差法的運(yùn)動(dòng)目標(biāo)檢測(cè)[J]. 張應(yīng)輝,劉養(yǎng)碩.  計(jì)算機(jī)技術(shù)與發(fā)展. 2017(02)
[4]高速公路汽車防碰撞預(yù)警系統(tǒng)的通信協(xié)議設(shè)計(jì)[J]. 鄒光壽,蔡啟仲,藍(lán)全釗,翁超,包華倩,潘紹明.  大眾科技. 2013(11)

博士論文
[1]智能視頻監(jiān)控中的目標(biāo)識(shí)別與異常行為建模與分析[D]. 張一.上海交通大學(xué) 2010

碩士論文
[1]基于視覺(jué)注意機(jī)制的視頻顯著目標(biāo)檢測(cè)技術(shù)研究[D]. 吳衛(wèi)東.北京工業(yè)大學(xué) 2015
[2]基于視頻圖像的交通事件自動(dòng)檢測(cè)系統(tǒng)關(guān)鍵算法研究[D]. 林浪橋.華南理工大學(xué) 2013
[3]視頻監(jiān)控系統(tǒng)中異常運(yùn)動(dòng)事件檢測(cè)的研究與實(shí)現(xiàn)[D]. 劉宇帥.北京郵電大學(xué) 2013
[4]基于運(yùn)動(dòng)檢測(cè)的高速公路交通事件檢測(cè)算法研究[D]. 羅金滿.華南理工大學(xué) 2011
[5]動(dòng)態(tài)場(chǎng)景下基于空時(shí)顯著性的運(yùn)動(dòng)目標(biāo)檢測(cè)研究[D]. 周文明.上海交通大學(xué) 2011
[6]智能視頻監(jiān)控系統(tǒng)中運(yùn)動(dòng)目標(biāo)檢測(cè)方法的研究[D]. 張黎.東北大學(xué) 2009



本文編號(hào)：3533019