张晓峰[1]2004年在《视觉导航中基于图像的路边识别算法研究》文中研究表明近年来，智能车辆系统成为各国潜心研究的一个新领域，其中的视觉导航系统需要实时检测行驶环境，确定道路的边界，使得智能车辆能够在无人驾驶或操纵的情况下自主安全平稳的行驶。 本文主要研究了视觉导航中道路边界识别问题，按照图像预处理→道路区域分割→道路边缘检测→道路边缘提取→道路边界表示这个流程来对图像进行处理。对于道路区域分割采用最优阈值分割，分离出道路区域。对于道路边界的检测，本论文改进了Robert算子得到了连续且很窄的边缘，边缘检测效果比较理想。在道路边界的提取中，结合阈值分割后的图像和边缘检测后的图像，用链码跟踪方法提取最可能的道路边界曲线。对于道路边界表示问题，建立了一种道路模型，并提出了一种基于最优分段线段的道路边界拟合算法。通过对红外线夜视图以及仿真图等序列图像的实验，表明本文所提出的方法可以满足实用需要。
刘华军[2]2006年在《面向智能车辆的道路环境理解技术研究》文中指出智能车辆的发展对国防、社会、经济和科学技术具有重大的影响力，已成为各国高科技领域的战略性研究目标。智能车辆随着军用、民用和科学研究等领域巨大需求的推动，正在经历着日新月异的变化。对道路环境的理解是智能车辆的核心技术，是车辆智能性的集中体现，是最具挑战性的研究课题之一。本文针对道路环境理解中的视觉技术展开研究，主要研究了结构化道路图像中消失点的估计及其在道路环境解释中的应用；非结构化道路图像的分割；越野地形的可通行性分析以及融合多传感器的局部地图创建，并取得了一定的成果，具体来说：针对结构化道路图像的理解，本文研究了图像中消失点的估计和跟踪技术，提出了基于Bayes原理的多消失点估计算法和基于高斯预测模型的单一消失点跟踪算法，算法的估计精度和执行效率均较高。同时，在此基础上，还提出了基于消失点的道路环境理解的一系列算法，具体包括基于消失点的多行道线检测、基于消失点的岔道检测与提取、基于消失点的前车检测以及基于消失点的前车测距与测速等算法。实验结果表明，算法有效，具有应用前景。针对非结构化道路图像路面分割中的阴影问题，本文提出了新的空间关系的定义，并构造了空间关系隶属度矩阵，改进了基于空间关系约束的模糊聚类算法。在林荫道图像分割的实验表明，算法在保持路面一致性方面优于传统算法以及其它类似算法。本文还提出了序列图像中的聚类中心更新算法，该算法的收敛速度和稳定性得到了进一步提高。针对基于高程图描述的越野地形的分析，本文提出了越野高程地形具有相对不变性的概念，并提取出了反映复杂地形起伏幅度、频率的相对不变特征。具体实现方法是：采用地形高程的方差计算地形的起伏度；采用二次曲面拟合的数值解法来计算地形坡度以及采用分形布朗运动模型估计地形的粗糙度。最后，根据模糊规则整合各特征实现对地形的可通行性进行评估。在越野地形上的仿真实验和现场实验均表明了算法的有效性和实用性。本文最后结合在地面智能机器人“十五”项目中的融合多传感器创建局部地图方面所遇到的实际问题提出了一些解决方法，分别为基于协方差交叉的路边融合算法，基于主动传感器的道路跟踪算法和基于相对特征的越野地形分析算法。
吴哲[3]2009年在《视觉导航中基于图像的道路边界识别研究》文中认为当今社会,一方面,随着城市化的进展及汽车的普及,交通环境日趋恶劣,交通拥挤加剧,交通事故频发,交通问题已经成为全球范围令人困扰的严重问题;另一方面,计算机技术、传感器技术、机器视觉技术的发展日新月异。在这种背景下,将各种先进技术应用到汽车工程中,来减少交通事故,提高运输效率,减轻驾驶员的工作负荷,以及提高车辆在紧急情况下的应急反应能力成为当今研究的热点。因此,基于图像的视觉导航研究在汽车自动驾驶中日益受到重视。计算机视觉系统在自动驾驶研究中主要起到环境探测和辩识的作用。环境的探测和辨识主要包括对道路边界、行驶标识线、行驶周围环境和行车状态标志符及交通符号的探测和识别。因此,道路边界的识别问题是基于图像的视觉导航技术的核心问题之一。本文以道路图像序列为研究对象,主要对道路图像中的道路边界识别技术进行了研究和改进,并提出了新的方法。针对非结构化道路,本文首先根据一定的区域扩散规则,得到区域的粗分割结果。然后,基于Snakes模型具有良好的目标边界表示能力,本文以粗分割的结果为初始边界线,使用Snakes算法搜索真实的道路边界。但是传统的Snakes算法耗时严重,无法满足高速行驶中的车辆对道路检测的实时性要求。因此,本文提出了新的算法以满足实时性要求。针对结构化道路,本文提出了基于快速直线段提取的道路标识线识别算法。首先在分析现有直线检测方法的基础上,根据链码直线检测算法,结合结构化道路图像中道路标识线存在的固有特征,逐级筛选出有用特征,最后获得道路标识线的完整描述。最后本文给出了视觉导航中基于图像的道路边界识别系统的实例描述,并介绍了上述算法在系统中的具体应用。
杨正帅[4]2007年在《基于视觉的道路识别技术在移动机器人导航中的应用研究》文中研究说明从上世纪八十年代开始，许多国家有计划地开展了移动机器人技术的研究。视觉辅助导航是移动机器人导航的热点之一，其中道路检测和障碍物定位是视觉导航系统的重要组成部分。本文研究了基于图像的道路检测和障碍物定位算法。论文首先介绍了AS-R移动机器人的系统组成及视觉系统，研究了机器人坐标与计算机图像坐标之间的关系。分析了已有的图像处理算法，并根据本文中图像处理的具体要求，选取了合适的图像预处理算法。为了提高道路识别的实时性和抗干扰能力，论文提出了采用融合边缘提取和区域生长的方法识别道路边线，根据边缘和区域信息所表示的道路边线应该在空间上占据相同或相近的位置，计算两组信息中相应位置上离散点之间的距离，从而确定机器人在道路中的位置。在该算法中采用直线道路模型等作为道路约束条件，分为初始检测和跟踪两部分，采用Hough变换提取特征直线，并且在道路边界跟踪算法部分利用序列道路图像之间的特征变化特点建立感兴趣区来限制检测区域，使得算法实时性得到提高。
陈华华[5]2005年在《视觉导航关键技术研究：立体视觉和路径规划》文中研究说明陆地自主车(Autonomous Land Vehicle,简称ALV)是一种能够在道路和野外连续地、实时地自主运动的智能移动机器人，其研究涉及多个学科的理论与技术，体现了信息科学与人工智能技术的最新成果，具有重大的研究价值和应用价值，受到了世界各国的重视。在移动机器人的各项关键技术中，视觉导航的主要功能是对各种道路场景进行快速识别和理解，从而确定移动机器人的可行驶道路区域，而视觉导航技术的关键是障碍物的快速检测与识别。路径规划则根据视觉处理获得的信息，在可行区域内规划出一条安全、高效的路径。陆地自主车的行驶过程即立体视觉获取前方的路面环境信息，然后通过智能控制技术使自主车沿规划的路径行走。因此本论文旨在研究陆地自主车的立体视觉系统设计和实现，以及在视觉处理获得的信息基础上进行路径规划。 摄像机的精确定标是立体视觉研究的基础，本文第二章围绕摄像机定标对各种定标模板及其控制点、摄像机模型的优缺点进行了比较和分析，结合应用环境确定了适合于自主车的定标模板和控制点以及摄像机模型，并讨论了相应的摄像机定标方法，该方法只需要用多个任意角度的平面模板进行定标，操作过程简单，而且定标精度较高，能够较好的适合自主车导航现场环境的要求。此外，立体图像对的外极线校正是降低匹配算法复杂度必不可少的工作，在这一章中首先研究了双目立体视觉校正算法，但是其有一定的局限性，不适用于多基线立体视觉系统，由此局限性出发对此算法进行修改，将其扩展到平行叁目立体视觉系统，实验结果表明，该算法正确有效并且可以推广到摄像机数目超过叁个的平行多基线立体视觉系统。 第叁章对立体匹配算法作了深入的研究，研究中突出了算法实时性和鲁棒性要求。对于局域匹配法，重点研究了区域法，对其各种相似性测度的准确性以及匹配窗口的大小进行了定性和定量的评估，对影响匹配结果的各种预处理和后处理作了深入的研究，并提出了多分辨率、盒滤波、并行指令、超线程、OpenMP等多种提高匹配实时性的加速方法。对全局匹配方法，研究了比较流行的动态规划方法和Graph cuts方法。对这两种全局匹配方法的准确性作了定量和定性的评估，并对这两种方法存在实时性较差的不足，提出了基于多分辨率的匹配方法，大大减少了匹配时间。 立体匹配的结果最终通过叁维重建来表现，在本文第四章提出了具有实时性较高的叁维重建算法，对该算法结合摄像机定标过程中的模型误差和图像噪声误差、匹配过程中的透视投影变形误差、非校准误差、系统误差、量化误差以及双目视觉系统的误差模型对重建的误差进行了分析，并提出了误差修正算法，通过实例验证了该修正算法可以减少重建误差。在重建算法的基础上，结合自主车GPS／INS提供的车体位置和姿态，对越野环境的地貌进行了全局地图构建，通过实例验证表明构建的全局地图基本符合了真实叁维场景。自主车的安全行驶除了需要叁维重建提供正确的道路信息以外，还必须根据道路信息为自主车找到一条安全、高效的免碰撞路径，这一任务由路径规划来完成。针对传统自主车路径规划算法存在对环境适应能力差、易落入局部最小点等问题，提出了采用遗传算法来动态避障和规划路径。由于标准遗传算法存在容易产生早熟收敛的问题，对标准遗传算法进行了改进，提出了改进型遗传算法，该算法收敛于全局最优，并在此基础上提出了动态避障的路径规划算法，通过对算法的仿真，表明该规划算法可以稳定地产生最优路径和实施动态避障，并具有较高的实时性，符合了白主车实时导航的要求，而且该算法产生的路径比采用标准遗传算法的路径规划产生的路径史短。关键词:陆地自主车，立体视觉，摄像机定标，外极线校正，区域法匹配，动态规划，graphcute，_二维重建，路径规划
王忠[6]2006年在《基于视觉的道路识别技术在智能小车导航中的应用研究》文中研究指明移动机器人技术在科学探测、工业应用、救灾救险、军事等领域有着广泛的应用前景。视觉辅助导航是移动机器人导航的热点之一,其中道路检测和障碍定位是视觉导航系统的重要组成部分。本文研究了基于图像的道路检测和障碍物定位算法。论文介绍了移动机器人视觉导航系统的研究背景、意义和历史、现状。以针孔模型作为摄像机模型,介绍了一种摄像机标定方法,即基于多项式的摄像机标定算法,并阐述了该方法的原理。同时,应用该方法对摄像机进行标定,建立了移动机器人的坐标系统。研究了常用的图像预处理算法,根据本文中图像处理的具体要求,选取了合适的图像预处理算法,即直方图均衡、快速中值滤波算法、Sobel边缘检测方法和最大类方差自动阈值法。分析了目前常用的道路检测算法的优点和缺点,结合本文常用的道路环境,提出了将边缘信息和道路颜色信息相结合的方法,该算法的中心思想是利用道路颜色信息检查边缘的真伪。针对前人利用颜色特征进行道路区域识别中应用了大量的不确定性知识而导致算法复杂、鲁棒性差的缺点,本文提出了道路中心区域的概念,制定了道路直线边缘的理解规则,将边缘检测方法的简单快速性和基于颜色信息的准确性有机结合到一起,并应用到障碍物定位算法中。针对传统Hough变换的局限性,本文提出了新的Hough变换改进算法,采用参数空间到图像平面的反馈,检测出线段的两端点,并能克服内部间断点的影响,解决了障碍物精确定位的问题。本文设计开发了基于VFW软件包的移动机器人实时视频采集系统,搭建了基于Visual C++算法实验平台,利用采集的多种场景下的实际道路图像,验证了道路检测方法的有效性。
刘钊[7]2013年在《无人车2D激光雷达结构化环境感知技术研究》文中提出论文研究了无人车2D激光雷达结构化环境感知技术,包括环境模型构建、道路区域检测与理解和移动车辆检测跟踪等问题。本文取得的主要成果和创新点如下:1、引用人类视觉感知原理,构建了一种分层室外动态环境模型。利用不同层次的不同特点,简洁地表示无人车周围的环境信息,实验表明该模型的正确性。2、提出一种基于2D激光雷达序贯数据的路边检测方法,包括叁个算法:结合多约束条件的Hough变换直线路边检测算法、应用1D高斯回归的曲线路边检测算法和采用多模型随机抽样一致(Random Sample Consensus,RANSAC)曲线路边检测算法。实验结果表明该方法能准确有效地检测直线和曲线路边,正确率达到86.8%。3、提出了一种基于马尔科夫随机场模型的环境主方向提取方法。该方法把环境主方向求解过程建模为一个多变量优化问题,合理的优化目标函数和变量取值范围使优化目标函数存在唯一的全局最小值;通过稀疏变量和合理选取初始值,提高算法的收敛速度。实验结果表明该方法可以正确提取环境主方向,并且算法的运行时间小于100ms,满足实时性要求。4、提出了一种基于2D激光雷达的移动车辆检测跟踪方法。该方法首先利用改进的车辆测量模型对车辆进行初步检测跟踪,然后用新提出的有约束非线性优化车辆几何模型精确定位算法进一步提高车辆检测跟踪的精度。构建了一个多滤波器组合的移动车辆3D点云重建方法。实验结果表明无人车能在静止和运动两种状态下对道路上的单个或多个移动车辆进行准确的检测跟踪,并实现3D点云重建。以上成果已成功应用于国家自然科学基金重大研究计划重点项目“高速公路车辆智能驾驶中的关键科学问题研究”(90820302)中。
李雪[8]2011年在《非结构化道路路边融合算法研究》文中指出非结构化道路检测技术是智能车辆自主导航的关键技术之一,是目前研究的热点与难点。单一的传感器常常无法有效的感知环境信息,陆地自主车安装了多种传感器,本文以非结构化道路路边融合为研究对象,通过融合多个传感器数据,输出可靠的道路边界位置以及道路区域内的障碍物信息,保证车辆的安全行驶。本文的融合系统使用了摄像机、红外夜视仪、激光雷达叁种传感器,关于道路边界主要研究了彩色图像的道路分割、基于激光雷达的路边描述,并对激光雷达数据分析处理进行障碍检测。论文研究了一种基于彩色图像的非结构化道路分割的方法,并在此基础上提取路边特征点供给融合模块。在色度空间对H,S两个分量使用大津法选取合适的阈值进行初步分割,为了避免颜色相近的天空、植被等的影响,将视觉近区域作为检测区域。将两个分割结果合理的进行与操作,再对二值图像的噪声点使用形态学、阈值面积消去、种子填充等算法处理,将道路与非道路区域完整的区分开来。对于大面积阴影影响下的非结构化道路,进行OTSU二次分类,并根据设置的道路参考区域模型和饱和度信息归为道路与非道路类,完成道路分割。对激光雷达数据的道路边界提取设计了一种方法,先使用K均值聚类将数据划分为两类,分别代表道路左右两侧的障碍以及植被,再根据SVM算法求出使分类间隔最大的隔离带,意味着激光雷达数据描述下的道路左右边界。在障碍检测上,对激光雷达数据滤波后聚类分析,根据各类的椭圆特征信息对障碍进行识别。研究了视觉传感器与激光雷达的时空融合算法。对于多个视觉传感器提取的路边特征点,进行基于传感器模糊贴近度的加权融合,使用主元分析的直线拟合方法拟合出道路边界。激光雷达边对视觉边进行约束后,使用协方差交叉(CI)算法对二者融合得到路边位置的最佳估计值。基于D-S证据理论进行多周期障碍置信度融合,判断障碍物是否存在,提高对道路可通行区域检测的准确性和实时性。
佚名[9]2007年在《自动化技术、计算机技术》文中研究说明TP13 2007012024一类时滞线性切换系统的稳定性和镇定/陈松林,姚郁(哈尔滨工业大学控制与仿真中心)//黑龙江大学(自然科学学报).―2006,23(2).―206～210.针对一类具有状态延迟的连续线性切换系统,研究了其渐近稳定性及状态反馈和输出反馈镇定控制律的设计问题。首先利用公共李亚普诺夫函数法给出了系统渐近稳定的充分条件及该条件下切换律的构造方法,然后给出了状态反馈和输出反馈镇定的充分条件,同时给出了稳定化控制律的参数化表示和相应切换律的构造方法。最后举例说明了结果的有效性。图2表0参12
王强[10]2005年在《智能车辆视觉辅助导航中的道路检测技术研究》文中指出视觉辅助导航是智能车辆导航领域的研究热点之一,其中道路检测技术是其视觉导航系统的重要组成部分。本文主要研究基于图像检测的道路检测技术。论文中介绍了智能车辆视觉导航技术的研究背景、意义和现状;分析了目前已有的道路检测算法的特点。针对现有算法易受到道路场景变化的影响,难以实现各种场景下的最优检测,研究了基于道路模糊分类与可重构计算技术的道路检测方法。根据道路图像的特点,将道路场景分为叁类;针对不同场景的特点,分别寻找各自优化检测算法,利用评估条件来选择当前场景下的最优检测算法。为了提高道路检测算法的实时性,采用了可重构计算技术来实现检测算法的硬件化。其中,可重构硬件的设计和开发是基于 Handel-C 高级语言和 DK编译环境。整个实验系统是基于 PC 机系统环境运行的,上层控制模块设计采用VC 环境开发。利用所采集的 173 幅多种场景下的实际道路图像,实验验证了道路检测方法的有效性,并与典型自适应检测算法进行了对比。新检测方法的正确识别率达 86.13%。
参考文献：
[1]. 视觉导航中基于图像的路边识别算法研究[D]. 张晓峰. 南京理工大学. 2004
[2]. 面向智能车辆的道路环境理解技术研究[D]. 刘华军. 南京理工大学. 2006
[3]. 视觉导航中基于图像的道路边界识别研究[D]. 吴哲. 南京航空航天大学. 2009
[4]. 基于视觉的道路识别技术在移动机器人导航中的应用研究[D]. 杨正帅. 南京理工大学. 2007
[5]. 视觉导航关键技术研究：立体视觉和路径规划[D]. 陈华华. 浙江大学. 2005
[6]. 基于视觉的道路识别技术在智能小车导航中的应用研究[D]. 王忠. 东南大学. 2006
[7]. 无人车2D激光雷达结构化环境感知技术研究[D]. 刘钊. 国防科学技术大学. 2013
[8]. 非结构化道路路边融合算法研究[D]. 李雪. 南京理工大学. 2011
[9]. 自动化技术、计算机技术[J]. 佚名. 中国无线电电子学文摘. 2007
[10]. 智能车辆视觉辅助导航中的道路检测技术研究[D]. 王强. 南京航空航天大学. 2005
标签：电信技术论文; 移动机器人论文; 图像分割论文; 图像融合论文; 视觉检测论文; 人工智能论文; 激光雷达论文; 机器人论文;