發(fā)布時間：2020-10-16 13:17

　　 多年來,隨著交通事故在世界各地變得越來越嚴重,對智能車的研究已成為智能交通領域的一個重要研究課題。我們利用智能車的自主駕駛或半自主駕駛的功能來實現安全,舒適和節(jié)約能源的目的。在現有環(huán)境感知算法中,基于機器視覺的環(huán)境感知算法因能提供障礙物大小和位置的信息而具有無可比擬的優(yōu)勢。對車前障礙物進行自動地實時檢測對于保持安全車距、防止碰撞事故的發(fā)生有十分重要的意義。本文主要研究內容為以下四方面:1.車輛道路區(qū)域檢測。在智能車輛視覺導航系統(tǒng)中,對行駛的道路進行檢測的目的主要為兩方面,一是為了估計車輛在道路中的方向和位置從而來控制車輛按預定的路線行駛。二是為后續(xù)的障礙物檢測縮小搜索范圍以降低算法復雜度和誤識率,提高后續(xù)算法的運算速率。為了提取出智能車在非結構化道路環(huán)境中可行駛的區(qū)域,本文提出了一種基于紋理特征的算法來分割出非結構化道路中可行的道路區(qū)域。首先,為了提取出車道中車轍印對應的紋理特征,通過選取2個頻率8個方向的Gabor模板對圖像進行變換分析,得到各個像素點的紋理強度以及方向特征,利用其方向特征值對候選消失點進行投票,得票最高點即道路消失點,然后提取出有效投票區(qū)域中的直線斜率,建立通過消失點的直線方程來劃分出可行的道路區(qū)域。實驗表明,該算法在強光照以及夜間場景下可有效地分割出可行的道路區(qū)域,并且不受陰影的影響。2.車前方障礙物檢測。障礙物檢測的準確性關系到智能車輛行駛的安全性,由于障礙物的出現具有不可預知性和不確定性,所以只能在車輛行駛過程中及時發(fā)現并及時處理。因此,本文提出一種對SIFT特征點聚類的障礙物檢測方法,首先對圖像進行ROI區(qū)域提取,通過對ROI區(qū)域進行水平與垂直邊緣檢測得到障礙物可能存在的圖像區(qū)域,計算每個區(qū)域的圖像熵值后篩除不存在障礙物的區(qū)域,對剩下存在障礙物的區(qū)域進行SIFT特征點提取,通過對特征點進行K均值聚類從而得到障礙物精確定位。3.基于視頻圖像的障礙物跟蹤。為了基于視頻圖像實時地檢測到障礙物的位置,本文提出了一種將SIFT特征點匹配與Kalman濾波跟蹤相結合的跟蹤算法來實現障礙物目標的跟蹤,實驗結果表明本文提出的檢測方法無論視頻對象中有一個目標或是多個目標都適用,并且在一個目標到多個目標和多個目標到一個目標變換的情況下同樣適用。4.單目視覺測距。單目視覺測距因為運算速率很快,并且構造簡單而具有廣闊的應用遠景。本文首先介紹了單目視覺標定的基本理論,經過實驗對比最終選擇了指數型函數來完成對圖像中障礙物的擬合測距。
【學位單位】：吉林大學
【學位級別】：碩士
【學位年份】：2016
【中圖分類】：U463.6;TP391.41
【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究的背景及意義
    1.2 國內外研究現狀
        1.2.1 國外研究現狀
        1.2.2 國內研究現狀
    1.3 車方前障礙物檢測算法的研究方法
    1.4 本文主要研究內容及章節(jié)安排
        1.4.1 本文主要研究內容
        1.4.2 本文章節(jié)安排
第2章 圖像采集與預處理
    2.1 圖像灰度化及二值化
    2.2 圖像濾波
    2.3 圖像邊緣提取
    2.4 圖像形態(tài)學描述
    2.5 本章小結
第3章 車輛道路區(qū)域檢測
    3.1 結構化道路線檢測
        3.1.1 霍夫變換
        3.1.2 車道線篩選
    3.2 非結構化道路區(qū)域分割
        3.2.1 紋理特征提取
        3.2.2 消失點檢測
        3.2.3 道路區(qū)域分割
    3.3 本章小結
第4章 車前方障礙物檢測
    4.1 障礙物初步定位
        4.1.1 ROI區(qū)域提取
        4.1.2 圖像水平與垂直邊緣檢測
        4.1.3 圖像熵判定是否存在障礙物
    4.2 障礙物精確定位
        4.2.1 SIFT特征點提取
        4.2.2 基于K均值聚類的目標檢測方法
    4.3 本章小結
第5章 基于視頻圖像的障礙物跟蹤
    5.1 基于加權時空上下文的視覺跟蹤算法
    5.2 Kalman濾波預測目標位置
        5.2.1 Kalman濾波的基本原理
        5.2.2 預測障礙物位置
    5.3 SIFT特征匹配與Kalman濾波結合的跟蹤算法
        5.3.1 目標模板建立與更新
        5.3.2 目標模板匹配
        5.3.3 視頻圖像檢測實驗結果
    5.4 本章小結
第6章 單目視覺測距
    6.1 單幀靜態(tài)圖像的測距模型
    6.2 攝像機內外參數標定
    6.3 擬合法測距
    6.4 本章小結
第7章 總結和展望
    7.1 全文總結
    7.2 存在的不足和展望
參考文獻
作者簡介及科研成果
致謝

【相似文獻】

相關期刊論文 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[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[J];科技信息;2012年03期

相關博士學位論文 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

相關碩士學位論文 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;基于卷積神經網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 陳若望;列車前方障礙物圖像檢測算法研究[D];西南交通大學;2012年

9 王葵;無人車前方障礙物的檢測方法研究[D];安徽大學;2012年

10 宋娟;路軌自動檢測系統(tǒng)及障礙物識別技術的研究[D];浙江大學;2008年

本文編號：2843308