發(fā)布時(shí)間：2020-11-22 02:59

　　 隨著科學(xué)技術(shù)和經(jīng)濟(jì)的快速發(fā)展,城市化步伐的加快,車輛的數(shù)目不斷增多。與此同時(shí),車載智能設(shè)備的研究受到越來越多的關(guān)注,并且相關(guān)技術(shù)也逐漸開始成熟。在眾多車輛輔助技術(shù)的實(shí)際應(yīng)用中,車道線檢測和車輛目標(biāo)檢測是最常見的問題,也是最繁瑣的問題。由于車輛自身的復(fù)雜性,如不同的顏色或是不同的車型,這些因素都增加了車輛目標(biāo)檢測的難度。同時(shí),不同的外界環(huán)境或是拍攝裝置角度放置的不同,也會(huì)對(duì)最終檢測結(jié)果造成一定影響。因此,本文對(duì)車輛輔助駕駛系統(tǒng)中道路車道線檢測和車輛目標(biāo)檢測進(jìn)行了相關(guān)的研究,本文主要的工作如下:車道線檢測,提出了改進(jìn)的基于Hough變換和Kalman濾波的車道線檢測算法。首先對(duì)經(jīng)過預(yù)處理后的圖像進(jìn)行感興趣區(qū)域的選擇,然后利用逆透視變換,對(duì)視角進(jìn)行轉(zhuǎn)換。最后利用Hough變換和Kalman濾波算法,對(duì)車道線進(jìn)行檢測,并對(duì)檢測結(jié)果進(jìn)行篩選輸出最終結(jié)果。實(shí)驗(yàn)結(jié)果顯示,該算法在車道線檢測過程中具有良好的穩(wěn)定性和較高的準(zhǔn)確性。同時(shí)也實(shí)現(xiàn)了基于顏色空間和邊緣檢測的車道線算法。通過Lab顏色空間,利用二值圖像中像素點(diǎn)的分布,找出圖像中車道線所在位置并擬合曲線。實(shí)驗(yàn)結(jié)果表明,該車道檢測算法精度較高,有較好的適應(yīng)性,能夠適應(yīng)大部分彎曲車道線的檢測。車輛目標(biāo)識(shí)別,提出并實(shí)現(xiàn)了基于梯度方向直方圖特征和支持向量機(jī)的車輛目標(biāo)識(shí)別方法。先獲取所需的數(shù)據(jù)樣本,提取出所需樣本的HOG特征,然后通過SVM分類器進(jìn)行樣本訓(xùn)練。在提取HOG特征之前,需要對(duì)圖像進(jìn)行YCrCb顏色空間轉(zhuǎn)換,分析出最適合提取特征的通道,然后支持向量機(jī)通過數(shù)據(jù)樣本的學(xué)習(xí),尋找出特征向量數(shù)據(jù)樣本中的支持向量,生成最優(yōu)超平面,最后通過掃描窗口進(jìn)行搜索,標(biāo)出車輛目標(biāo)。
【學(xué)位單位】：中國計(jì)量大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類】：U463.6;TP391.41
【部分圖文】：

像素點(diǎn)分布與模版假設(shè)，則模糊半徑為1的權(quán)重矩陣如圖2.4(a)所示

(a) 半徑為 1 的權(quán)重矩陣 (b) 高斯模糊數(shù)值圖 2.4 權(quán)重矩陣與模糊數(shù)值的所有像素點(diǎn)重復(fù)這個(gè)過程，就可以得到高斯濾波模糊后的圖像，可以考慮分別對(duì)各個(gè)通道單獨(dú)進(jìn)行處理。波是一種非線性平滑濾波器[14]，是以所在區(qū)域內(nèi)所有像素點(diǎn)

中值濾波結(jié)果
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王秋生;賀云濤;張曉輝;劉莉;;基于無人機(jī)航拍圖像的車道線檢測方法綜述[J];無人系統(tǒng)技術(shù);2019年05期

2 駱濟(jì)煥;蘭鳳崇;陳吉清;;聯(lián)合圖像處理和目標(biāo)約束的車道線檢測方法[J];汽車工程學(xué)報(bào);2019年01期

3 趙偉康;黎向鋒;畢高杰;謝昌剛;李堃;楊振泰;;一種基于橫截面特征的車道線檢測方法[J];機(jī)械制造與自動(dòng)化;2019年03期

4 姜立標(biāo);臺(tái)啟龍;;基于實(shí)例分割方法的復(fù)雜場景下車道線檢測[J];機(jī)械設(shè)計(jì)與制造工程;2019年05期

5 劉雁斌;;基于結(jié)構(gòu)化道路的車道線檢測研究[J];交通科技;2019年04期

6 馬泉鈞;何自超;林邦演;曾文軒;;基于圖像處理的長距離車道線檢測[J];河南科技;2019年29期

7 劉軍;馮榮達(dá);趙吉賓;宮海坤;;基于機(jī)器視覺的車道線檢測研究[J];電子世界;2019年21期

8 孫鵬飛;宋聚寶;張婷;周玉祥;;基于視覺的車道線檢測技術(shù)綜述[J];時(shí)代汽車;2019年16期

9 李福俊;顧敏明;;車道線實(shí)時(shí)檢測與偏離預(yù)警系統(tǒng)設(shè)計(jì)與研究[J];光電子·激光;2018年03期

10 方睿;;基于視覺的車道線檢測技術(shù)綜述[J];內(nèi)江科技;2018年07期

相關(guān)博士學(xué)位論文 前10條

1 曲峰;基于視覺的結(jié)構(gòu)化道路及障礙物檢測技術(shù)研究[D];吉林大學(xué);2019年

2 于泳;應(yīng)用于智能車的車道信息感知及增量建模技術(shù)研究[D];吉林大學(xué);2018年

3 穆柯楠;基于車—路視覺協(xié)同的行車環(huán)境感知方法研究[D];長安大學(xué);2016年

4 王俊;無人駕駛車輛環(huán)境感知系統(tǒng)關(guān)鍵技術(shù)研究[D];中國科學(xué)技術(shù)大學(xué);2016年

5 沈峘;智能車輛視覺環(huán)境感知技術(shù)的研究[D];南京航空航天大學(xué);2010年

6 劉志峰;車輛集成式橫向安全預(yù)警系統(tǒng)及其關(guān)鍵技術(shù)[D];清華大學(xué);2011年

7 張萬枝;機(jī)器視覺感知下的車輛主動(dòng)安全技術(shù)若干問題研究[D];山東大學(xué);2015年

8 徐洋;先進(jìn)駕駛員輔助駕駛系統(tǒng)關(guān)鍵技術(shù)研究[D];重慶大學(xué);2017年

9 陳龍;城市環(huán)境下無人駕駛智能車感知系統(tǒng)若干關(guān)鍵技術(shù)研究[D];武漢大學(xué);2013年

10 陳軍;基于DSP的高速公路車道偏離報(bào)警系統(tǒng)研究[D];天津大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 張應(yīng)鵬;智能網(wǎng)聯(lián)環(huán)境下協(xié)同式自適應(yīng)巡航算法研究及試驗(yàn)驗(yàn)證[D];合肥工業(yè)大學(xué);2019年

2 程超;基于機(jī)器視覺的曲線車道線識(shí)別與車道偏離預(yù)警研究[D];合肥工業(yè)大學(xué);2019年

3 張劍鋒;基于深度學(xué)習(xí)的車道線檢測與車道偏離預(yù)警系統(tǒng)研究[D];華南理工大學(xué);2019年

4 鄭航;基于單目視覺的智能微型車車道線檢測技術(shù)研究[D];上海交通大學(xué);2018年

5 臺(tái)啟龍;基于機(jī)器視覺的復(fù)雜環(huán)境車道線檢測算法研究[D];華南理工大學(xué);2019年

6 韓宜軒;基于車輛視覺環(huán)境的車道線檢測與可行駛區(qū)域車輛檢測研究[D];長安大學(xué);2019年

7 趙子軒;城市智能汽車多傳感可行駛區(qū)域檢測算法研究[D];電子科技大學(xué);2019年

8 陳林;基于FPGA及機(jī)器視覺的車道檢測[D];電子科技大學(xué);2019年

9 馬保寧;基于機(jī)器視覺的車道線檢測與車道偏離預(yù)警技術(shù)研究[D];長安大學(xué);2019年

10 楊忱浩;基于Jetson TX2的車道線與車輛識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];杭州電子科技大學(xué);2019年

本文編號(hào)：2893999