本文關鍵詞：汽車輔助安全駕駛中基于視頻的障礙物檢測方法研究

  更多相關文章： 障礙物檢測 汽車輔助安全 似物性 多尺度特征金字塔 物體識別

【摘要】：障礙物檢測時汽車輔助安全系統(tǒng)中的重要部分。由于車輛在行駛過程中車輛行駛速度快、道路場景復雜,基于行車記錄儀采集的視頻包含信息量大,難以同時滿足實時性和準確性要求,采用硬件加速策略則大幅度增加用戶的使用費用。因此,如何從復雜的道路環(huán)境中分割出目標可行域,獲取可分辨特征,實現(xiàn)實時檢測和跟蹤主要障礙物的目標,同時滿足低價和高精度要求是一個亟待解決的難題。本文主要研究了障礙物可行域分割算法,似物性推薦理論,多尺度特征金字塔,并在此基礎上完成了實時高精度的障礙物檢測方法的研究。本文在相關科研人員成果的基礎上,將似物性推薦理論和多尺度特征金字塔理論相結(jié)合,通過機器學習的方法優(yōu)化相關參數(shù),將該算法用于汽車輔助駕駛中障礙物檢測和識別中。本文所做的主要研究工作和貢獻如下:(1)研究了圖像預處理和可行域確定的相關理論,研究了圖像預處理的相關方法,包括圖像濾波和圖像增強的相關方法。同時也研究了可行域的確定方法,制定了窗口搜索策略。為本文中后續(xù)研究做了相關鋪墊。(2)研究了似物性推薦的基本理論和SVM基本原理,并在此基礎上深入研究了使用BING特征進行似物性評價的相關方法。使用SVM訓練似物性評價模型,再用該模型多尺度遍歷檢測圖像獲得窗口排序,大幅減少待識別窗口數(shù)量,并進行了仿真實驗。(3)研究了ACF特征,對多尺度特征金字塔理論做了深入的研究,結(jié)合似物性推薦方法,提出了一種新的障礙物識別方法,使用SVM參數(shù)優(yōu)化方法優(yōu)化相關參數(shù),并進行了實驗仿真與對比分析。(4)研究了障礙物標定方法,對障礙物類型進行標定,提出了基于道路識別的障礙物尺度和距離識別,優(yōu)化了障礙物跟蹤方法,并使用多線程技術來融合障礙物識別和跟蹤,并使用實際數(shù)據(jù)進行仿真。并進行了實驗仿真與對比分析。對VOC數(shù)據(jù)集測試和實際路測數(shù)據(jù)的實驗表明,本文提出的檢測和識別方法是可行的。
【關鍵詞】：障礙物檢測 汽車輔助安全 似物性 多尺度特征金字塔 物體識別
【學位授予單位】：電子科技大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：U463.6;TP391.41
【目錄】：

• 摘要5-6
• ABSTRACT6-11
• 縮略詞表11-12
• 第一章 緒論12-20
• 1.1 研究背景及意義12-14
• 1.2 國內(nèi)外研究現(xiàn)狀及發(fā)展趨勢14-17
• 1.2.1 障礙物檢測技術研究現(xiàn)狀14-15
• 1.2.2 基于視覺的障礙物檢測技術15-17
• 1.3 本文主要研究內(nèi)容和技術路線17-18
• 1.4 論文結(jié)構安排18-20
• 第二章 圖像預處理和可行域分割20-38
• 2.1 圖像預處理20-26
• 2.1.1 圖像灰度化20-23
• 2.1.2 圖像濾波23-25
• 2.1.3 直方圖均衡化25-26
• 2.2 道路區(qū)域提取26-35
• 2.2.1 坐標系關系26-30
• 2.2.2 概率累計霍夫變換30-31
• 2.2.3 車道線檢測31-35
• 2.3 可行域確定35-37
• 2.3.1 危險區(qū)域確定35-36
• 2.3.2 可行域搜索策略36-37
• 2.4 本章小結(jié)37-38
• 第三章 基于似物性的障礙物檢測38-63
• 3.1 似物性推薦理論38-42
• 3.1.1 OBN方法38-39
• 3.1.2 SEL方法39-40
• 3.1.3 CSVM方法40-41
• 3.1.4 BING方法41-42
• 3.2 BING評價體系42-49
• 3.2.1 BING特征42-44
• 3.2.2 似物性估計44-49
• 3.3 SVM原理49-56
• 3.3.1 SVM基礎理論49-51
• 3.3.2 核函數(shù)51-52
• 3.3.3 SVM參數(shù)優(yōu)化52-53
• 3.3.4 SVM多分類方法53-56
• 3.4 仿真結(jié)果及分析56-62
• 3.5 本章小結(jié)62-63
• 第四章 基于ACF的障礙物識別63-77
• 4.1 ACF特征63-69
• 4.1.1 LUV通道63-65
• 4.1.2 梯度幅值通道65
• 4.1.3 HOG通道65-69
• 4.2 識別策略69-74
• 4.2.1 多層滑窗識別理論69-70
• 4.2.2 通道特征采樣理論70-72
• 4.2.3 多層優(yōu)化識別理論72-74
• 4.3 仿真結(jié)果及分析74-76
• 4.4 本章小結(jié)76-77
• 第五章 道路障礙物標定與跟蹤77-94
• 5.1 道路障礙物標定77-83
• 5.1.1 消失點檢測77-80
• 5.1.2 道路障礙物測量80-83
• 5.2 道路障礙物跟蹤83-90
• 5.2.1 CMT跟蹤算法83-89
• 5.2.2 多線程融合89-90
• 5.3 仿真結(jié)果及分析90-93
• 5.4 本章小結(jié)93-94
• 第六章 總結(jié)與展望94-97
• 6.1 本文工作總結(jié)94-95
• 6.1.1 論文主要工作94-95
• 6.1.2 研究創(chuàng)新點及主要貢獻95
• 6.2 研究工作展望95-97
• 致謝97-98
• 參考文獻98-103
• 攻讀碩士學位期間的研究成果103-104

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 楊素華,趙文龍,陳思平,江少鋒;基于球空間極近距離障礙物的超聲檢測方法[J];南昌航空工業(yè)學院學報(自然科學版);2004年04期

2 項志宇;;針對越野自主導航的障礙物檢測系統(tǒng)[J];東南大學學報(自然科學版);2005年S2期

3 謝斌;項志宇;潘華東;劉濟林;;基于偏振信息的水體障礙物檢測方法[J];浙江大學學報(工學版);2007年11期

4 朱云芳;王貽術;杜歆;;靜態(tài)環(huán)境中基于光流的障礙物檢測[J];浙江大學學報(工學版);2008年06期

5 王葵;翟榮剛;王道斌;顏普;;基于激光測距雷達和車載GPS的動態(tài)障礙物檢測[J];工業(yè)儀表與自動化裝置;2013年02期

6 趙小川;劉培志;張敏;楊立輝;施建昌;;一種適用于移動機器人的障礙物快速檢測算法及其實現(xiàn)[J];機器人;2011年02期

7 楊飛;朱株;龔小謹;劉濟林;;基于三維激光雷達的動態(tài)障礙實時檢測與跟蹤[J];浙江大學學報(工學版);2012年09期

8 杜歆;周圍;朱云芳;劉濟林;;基于單目視覺的障礙物檢測[J];浙江大學學報(工學版);2008年06期

9 稻津雅弘;車勝新;;利用超聲波檢測障礙物的裝置的研究[J];國外汽車;1983年06期

10 劉珂;隋樹林;;車道斑馬線及障礙物檢測方法研究與實現(xiàn)[J];科技信息;2012年03期

中國重要會議論文全文數(shù)據(jù)庫 前3條

1 項志宇;;針對越野自主導航的障礙物檢測系統(tǒng)[A];2005全國自動化新技術學術交流會論文集（二）[C];2005年

2 王偉;熊慶宇;王楷;羅意;;面向室內(nèi)未知環(huán)境的無障礙物區(qū)域單目視覺檢測算法研究[A];2010振動與噪聲測試峰會論文集[C];2010年

3 仲訓昱;彭俠夫;周結(jié)華;;基于激光傳感器的機器人運動障礙物檢測[A];中國自動化學會控制理論專業(yè)委員會C卷[C];2011年

中國博士學位論文全文數(shù)據(jù)庫 前3條

1 劉金;盲人行走輔助技術中的障礙物檢測算法研究[D];西南交通大學;2014年

2 劉健;基于三維激光雷達的無人駕駛車輛環(huán)境建模關鍵技術研究[D];中國科學技術大學;2016年

3 賈寶芝;視頻導航中的地圖生成、障礙檢測與行人人臉識別[D];中國科學技術大學;2015年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 楊鑫;基于單目視覺的礦井電機車防撞預警系統(tǒng)的研究[D];中國礦業(yè)大學;2015年

2 丁新立;基于卷積神經(jīng)網(wǎng)絡的車輛前方障礙物識別[D];大連理工大學;2015年

3 易藝婷;導盲系統(tǒng)中的障礙物檢測方案設計[D];哈爾濱工業(yè)大學;2015年

4 趙日成;輔助駕駛中的路面障礙檢測技術研究[D];西安電子科技大學;2015年

5 魯永杰;基于機器視覺的列車前方障礙物檢測方法研究[D];蘭州交通大學;2015年

6 侯偉;基于雙目的前駛障礙物識別方法與應用研究[D];合肥工業(yè)大學;2015年

7 袁雨桐;基于單目視覺的智能車前方障礙物識別與測距[D];吉林大學;2016年

8 張兆陽;現(xiàn)代有軌電車障礙物識別技術研究[D];蘇州大學;2016年

9 武少宇;基于雙攝像頭的圖像分析與室內(nèi)障礙物定位[D];華南理工大學;2016年

10 陸臻;汽車輔助安全駕駛中基于視頻的障礙物檢測方法研究[D];電子科技大學;2016年

，

本文編號：685952