隨著科學技術和經濟的快速發(fā)展,城市化步伐的加快,車輛的數目不斷增多。與此同時,車載智能設備的研究受到越來越多的關注,并且相關技術也逐漸開始成熟。在眾多車輛輔助技術的實際應用中,車道線檢測和車輛目標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檢測的難度。同時,不同的外界環(huán)境或是拍攝裝置角度放置的不同,也會對最終檢測結果造成一定影響。因此,本文對車輛輔助駕駛系統(tǒng)中道路車道線檢測和車輛目標檢測進行了相關的研究,本文主要的工作如下:車道線檢測,提出了改進的基于Hough變換和Kalman濾波的車道線檢測算法。首先對經過預處理后的圖像進行感興趣區(qū)域的選擇,然后利用逆透視變換,對視角進行轉換。最后利用Hough變換和Kalman濾波算法,對車道線進行檢測,并對檢測結果進行篩選輸出最終結果。實驗結果顯示,該算法在車道線檢測過程中具有良好的穩(wěn)定性和較高的準確性。同時也實現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的分布,找出圖像中車道線所在位置并擬合曲線。實驗結果表明,該車道檢測算法精度較高,有較好的適應性,能夠適應大部分彎曲車道線的檢測。車輛目標識別,提出并實現了基于梯度方向直方圖特征和支持向量機的車輛目標識別方法。先獲取所需的數據樣本,提取出所需樣本的HOG特征,然后通過SVM分類器進行樣本訓練。在提取HOG特征之前,需要對圖像進行YCrCb顏色空間轉換,分析出最適合提取特征的通道,然后支持向量機通過數據樣本的學習,尋找出特征向量數據樣本中的支持向量,生成最優(yōu)超平面,最后通過掃描窗口進行搜索,標出車輛目標。
【學位單位】：中國計量大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：U463.6;TP391.41
【部分圖文】：

像素點分布與模版假設，則模糊半徑為1的權重矩陣如圖2.4(a)所示

(a) 半徑為 1 的權重矩陣 (b) 高斯模糊數值圖 2.4 權重矩陣與模糊數值的所有像素點重復這個過程，就可以得到高斯濾波模糊后的圖像，可以考慮分別對各個通道單獨進行處理。波是一種非線性平滑濾波器[14]，是以所在區(qū)域內所有像素點

中值濾波結果
【相似文獻】

相關期刊論文 前10條

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

2 駱濟煥;蘭鳳崇;陳吉清;;聯(lián)合圖像處理和目標約束的車道線檢測方法[J];汽車工程學報;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];機械制造與自動化;2019年03期

4 姜立標;臺啟龍;;基于實例分割方法的復雜場景下車道線檢測[J];機械設計與制造工程;2019年05期

5 劉雁斌;;基于結構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;趙吉賓;宮海坤;;基于機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綜述[J];時代汽車;2019年16期

9 李�？�;顧敏明;;車道線實時檢測與偏離預警系統(tǒng)設計與研究[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綜述[J];內江科技;2018年07期

相關博士學位論文 前10條

1 曲峰;基于視覺的結構化道路及障礙物檢測技術研究[D];吉林大學;2019年

2 于泳;應用于智能車的車道信息感知及增量建模技術研究[D];吉林大學;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;2016年

4 王俊;無人駕駛車輛環(huán)境感知系統(tǒng)關鍵技術研究[D];中國科學技術大學;2016年

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

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

7 張萬枝;機器視覺感知下的車輛主動安全技術若干問題研究[D];山東大學;2015年

8 徐洋;先進駕駛員輔助駕駛系統(tǒng)關鍵技術研究[D];重慶大學;2017年

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

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

相關碩士學位論文 前10條

1 張應鵬;智能網聯(lián)環(huán)境下協(xié)同式自適應巡航算法研究及試驗驗證[D];合肥工業(yè)大學;2019年

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

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

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

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

8 陳林;基于FPGA及機器視覺的車道檢測[D];電子科技大學;2019年

9 馬保寧;基于機器視覺的車道線檢測與車道偏離預警技術研究[D];長安大學;2019年

10 楊忱浩;基于Jetson TX2的車道線與車輛識別系統(tǒng)的設計與實現[D];杭州電子科技大學;2019年

本文編號：2893999