目前,無人駕駛已經(jīng)成為人工智能領(lǐng)域的研究熱點(diǎn)之一。而高級(jí)駕駛輔助系統(tǒng)（ADAS）的研究,對(duì)于無人駕駛的實(shí)現(xiàn)具有重要的意義。傳統(tǒng)的車道線檢測(cè)算法,通常僅對(duì)單一的目標(biāo)場(chǎng)景進(jìn)行識(shí)別,且需要人工設(shè)置相應(yīng)的參數(shù)進(jìn)行特征提取。但是,面對(duì)城市道路的復(fù)雜環(huán)境,車道線的檢測(cè)往往同時(shí)受到光照、陰影遮擋等多種因素的影響,使得傳統(tǒng)算法的魯棒性不強(qiáng)。因此,本文針對(duì)這一缺陷對(duì)城市道路場(chǎng)景下的車道線檢測(cè)進(jìn)行了研究,主要的貢獻(xiàn)如下:（1）對(duì)雙車道線進(jìn)行檢測(cè)。提出了一種基于線性判別分析（LDA）的灰度化算法進(jìn)行特征提取,和一種基于增加了混沌擾動(dòng)的粒子群（PSO）算法進(jìn)行車道線擬合。首先將高維的RGB（紅藍(lán)綠）彩色圖像通過最佳鑒別向量投影到低維的子空間,進(jìn)而實(shí)現(xiàn)圖像的灰度化;然后通過混沌粒子群（CPSO）算法根據(jù)車道線特征,遍歷粒子取值范圍內(nèi)的空間,尋找適應(yīng)度函數(shù)最大的解;最后根據(jù)最優(yōu)解來獲得直線的參數(shù)。實(shí)驗(yàn)結(jié)果表明,算法能夠?qū)崿F(xiàn)各種道路情況下的車道線檢測(cè)功能,驗(yàn)證了其具有良好的魯棒性。（2）對(duì)多車道線進(jìn)行檢測(cè)。首先,提出了一種基于FCN（全卷積網(wǎng)絡(luò)）的改進(jìn)模型進(jìn)行車道線特征提取,該神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)像素級(jí)的車道線圖像分類... 

【文章來源】：河南工業(yè)大學(xué)河南省

【文章頁數(shù)】：71 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

ROI區(qū)域的確定濾波器的選取

LDA訓(xùn)練圖示例

第二章基于混沌粒子群的雙車道線檢測(cè)16(a)左車道線特征(b)右車道線特征圖10邊長(zhǎng)為3×3的車道線像素特征對(duì)于左車道線來說，正常情況下圖(a)特征比較明顯，對(duì)于右車道線來說圖(b)特征比較明顯。根據(jù)以上特征，可以得出適應(yīng)度函數(shù)表達(dá)式：111J,1，左車道線，右車道線naainbbinnMiTikbMiTi(2.20)式中，k,b為直線參數(shù)，α、β為像素塊兩個(gè)參數(shù)差值相應(yīng)的權(quán)系數(shù)。n為有效像素點(diǎn)的個(gè)數(shù)，這里取閾值為20，當(dāng)n小于20時(shí)，認(rèn)為該線不是車道線，函數(shù)值J(k,b)取0。將每個(gè)粒子的適應(yīng)度值與Pbest的值進(jìn)行比較，如果大于該值，那么就更新Pbest。將此次迭代后的Gbest與上一次迭代后的Gbest進(jìn)行比較。若此次得到的值更大，則更新Gbest；否則，停滯計(jì)數(shù)器次數(shù)加1，如果次數(shù)達(dá)到了T次，觸發(fā)外在干預(yù)，由混沌擾動(dòng)更新Pbest的取值。Step4：確認(rèn)下一次粒子將要移動(dòng)的方向和速度：11122*DTDTDTDTkdkdkdkdgdkdVkVarPXarPX(2.21)11DTDTDTkdkdkdXXV(2.22)其中，kd=1,2,...,D,a1、a2為粒子的加速度,r是一個(gè)隨機(jī)數(shù)，取值范圍是[0，1],k為粒子的速度對(duì)下一次更新的影響值。從式(2.21)可以得到，影響粒子速度的因素有三個(gè)：慣性權(quán)數(shù)k，個(gè)體極值Pbest，全體極值Gbest。Step5：判斷迭代次數(shù)是否達(dá)到DTMax,若沒有繼續(xù)執(zhí)行Step3。否則，輸出最優(yōu)的直線的參數(shù)信息。在原圖像上根據(jù)最優(yōu)解得到的直線模型參數(shù)，擬合車道線。

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)簡(jiǎn)單圖像統(tǒng)計(jì)算法的車道線識(shí)別[J]. 段建民,張?jiān)骑w,鄭榜貴.  計(jì)算機(jī)工程與設(shè)計(jì). 2018(03)
[2]一種基于混沌映射的快速圖像加密算法優(yōu)化[J]. 喬建平,鄧聯(lián)文,賀君,廖聰維.  激光技術(shù). 2017(06)
[3]面向復(fù)雜道路環(huán)境的車道線快速檢測(cè)方法[J]. 程文冬,沈云波,魏慶媛.  機(jī)械設(shè)計(jì)與制造. 2017(11)
[4]基于聚類算法的車道線檢測(cè)方法[J]. 蔡英鳳,高力,陳龍,袁江,陳軍.  江蘇大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(06)
[5]復(fù)雜環(huán)境下道路車道線識(shí)別算法的研究[J]. 曹月花,羅文廣,藍(lán)紅莉,趙曉東.  現(xiàn)代電子技術(shù). 2017(14)
[6]基于多尺度重采樣的車道線檢測(cè)[J]. 付黎明,李必軍,葉雨同.  電子技術(shù)應(yīng)用. 2017(04)
[7]基于動(dòng)態(tài)感興趣區(qū)域的光照無關(guān)車道線檢測(cè)算法[J]. 魚兆偉,吳曉波,沈林.  計(jì)算機(jī)工程. 2017(02)
[8]基于Canny算子和Hough變換的夜間車道線檢測(cè)[J]. 李亞娣,黃海波,李相鵬,陳立國.  科學(xué)技術(shù)與工程. 2016(31)
[9]基于改進(jìn)Retinex算法的霧霾天氣車道線識(shí)別[J]. 周勁草,魏朗,劉永濤,張?jiān)诩?田順.  東北師大學(xué)報(bào)(自然科學(xué)版). 2016(03)
[10]基于TopHat分割和曲線模型的三車道檢測(cè)方法[J]. 段建民,戰(zhàn)宇辰,劉冠宇.  北京工業(yè)大學(xué)學(xué)報(bào). 2016(08)

碩士論文
[1]車道偏離預(yù)警中車道線識(shí)別算法研究[D]. 狄?guī)?河南工業(yè)大學(xué) 2013



本文編號(hào)：3492345