武历颖[1]2016年在《无人驾驶汽车环境信息提取及运动决策方法研究》文中进行了进一步梳理随着汽车保有量的增长,越来越多的道路交通事故也给社会和人民造成了巨大的损失。其中,汽车驾驶人的危险驾驶行为是导致道路交通事故频频发生的主要原因。无人驾驶汽车因其无需人类驾驶操纵的特点具有广阔的应用前景。在无人驾驶汽车的行驶过程中,如何实时、鲁棒地提取行驶环境信息,以及在获得信息的基础上进行合理的运动决策是实现其安全、高效自主驾驶的关键,也是无人驾驶汽车研究中的难点和热点。论文依托国家自然科学基金重大研究计划项目(90920305)“无人驾驶车辆智能测试环境研究与开发”和中央高校基金创新团队项目(CHD2011TD006)“基于视觉信息的无人驾驶智能车辆关键技术研究”对无人驾驶汽车环境信息提取及运动决策方法展开研究,以实现无人驾驶汽车安全、高效、智能地行驶。本文的研究内容主要包括:(1)视觉图像数据采集模型和预处理研究。以无人驾驶汽车坐标系作为约束条件,建立视觉图像数据采集模型;针对图像采集质量易受行驶环境影响而造成特征难以提取的问题,研究多尺度Retinex图像增强算法和传统中值滤波算法的改进优化算法,并进行静态离线对比试验。(2)针对复杂道路环境下车道标线检测算法鲁棒性较差的问题,提出面向图像像素点的改进道路图像分割方法以深度挖掘车道标线轮廓信息;在此基础上提出基于抽样行双向扫描和成像模型约束候选特征点相结合的车道标线检测优化算法。为了实现车道标线检测与跟踪模块的有效切换,建立置信度判别模块和失效判别模块。(3)针对非结构化道路边界检测效率和鲁棒性之间难以平衡的问题,提出一种基于置信概率的分块分类方法提取道路边界的特征点,在此基础上运用改进的最小二乘法完成非结构化道路模型参数求解,并进行静态离线对比试验。(4)针对无人驾驶汽车对前方车辆识别定位准确性及稳定性要求高的问题,提出一种基于视觉传感器和64线叁维激光雷达信息融合的前方车辆识别算法。通过融合64线叁维激光雷达提取的障碍物位置信息,确定图像中前方车辆的感兴趣区域;以类Haar-HOG融合特征作为目标车辆描述方法,采用AdaBoost算法离线训练获得的级联分类器进行前方车辆辨识;对因遮挡问题未被识别出前方车辆的感兴趣区域,提出基于激光雷达坐标系下位置关系信息的再确认方法。(5)无人驾驶汽车运动决策建模方法研究。以宏观行驶规划为前提,在环境信息提取的基础上,结合无人驾驶汽车的自身运动状态,对其在微观动态交通环境下的两类基本运动模式进行深入研究,设计无人驾驶汽车运动模式的决策条件及对应目标量;在此基础上建立基于决策树的运动决策模型;最后,通过构建微观动态交通仿真环境对其进行合理性验证。(6)搭建基于上位机组件的无人驾驶汽车平台,并对其广义视觉传感系统参数进行标定,在此基础上进行道路试验,以验证论文提出的环境信息提取方法的有效性和运动决策模型的合理性。
唐国侠[2]2008年在《基于视频监控的车速检测算法研究》文中进行了进一步梳理随着社会经济的快速发展,交通系统日益复杂。为了给交通系统的管理提供各种实时交通信息,以方便、高效地利用和管理现有的交通系统,基于视频图像处理的交通信息采集系统成为研究的一个热点。本课题作为交通信息采集系统的一个重要子系统,它以实时的车辆行驶速度为研究检测对象,其目的是改进实时车辆速度的采集手段,为道路交通管理提供更为有效的依据,提高交通管理的自动化、现代化水平。本文致于研究一种灵活、可靠的视频交通流测检测系统。车辆的检测基于车道,在每个车道可以设置一条虚拟检测线和一个虚拟检测区域来检测交通流的车速,虚拟检测线的作用类似于电磁感应线圈。系统通过对视频虚拟检测线的预处理将二维的数字图像信号转化为一维的检测信号。该方法的特点是只需对虚拟检测线区域内的图像进行处理,处理运算的图像区域小,因此减少了运算量,降低了运算负荷。本文还提出了一种从频率域出发,估计出运动车辆在空间域上位移的算法。利用傅里叶变换的自配准性质和位移特性,用极坐标形式下连续两帧车辆图像相位谱的差可直接估计运动车辆的位移,进而估计出车速u=s/△t。由于本算法分辩能力不低于一个像素,因而可用于车速的高精度测量。利用本文提出的车速测量算法,对晴天和阴天两种典型天气条件下的交通流视频进行了实验,实验结果表明具有较高的车流量和车速检测精度。
崔江[3]2003年在《行驶车辆图像检测技术研究》文中研究说明为了推动智能交通系统的发展，本文研究了基于图像检测的车型识别和车牌识别方法。 论文首先研究了车辆类型的识别方法，利用图像差分、直方图处理和中值滤波等技术得到车辆的侧面图像，然后提取图像特征输入至BP神经网络进行识别；其次对车牌自动识别技术进行了详细的探讨，车牌图像处理步骤包括：车牌定位、车牌图像二值化、车牌图像对比度分析、字符分割、特征提取，采用了叁组BP神经网络对车牌字符进行识别。 利用实际行驶车辆信息进行验证，结果表明所研究的车型和车牌识别方法是正确有效的。
朱辉[4]2002年在《视频检测技术在智能交通系统中的应用研究》文中认为本文首先简要地叙述了视频图像检测技术的发展历史及其广泛的应用领域，然后具体的介绍了它在智能交通系统当中的应用情况，并着重分析了视频检测技术在交通流量信息采集方面的应用，比较分析了它相对于其它交通信息采集方法所具有的优势。在借鉴国内外相关技术的基础上，结合对图像硬件平台和图像处理算法的理解和分析，提出了一套在实际中可以应用于高速公路超速车辆监控的视频检测方案。构建了基础的系统硬件平台，详细分析和设计了本系统软件中涉及的距离标定算法和图像虚拟传感器的识别处理算法，给出了系统完整的解决方案。
何最红[5]2006年在《基于视频的交通流参数检测方法研究》文中研究指明实时交通流参数检测,包括车流量统计、车道平均车速、车型分类、车道占有率等,在智能交通系统中起着重要的作用。交通流参数检测方式多样,交通流检测器有电磁感应线圈、超声波检测器、微波检测器和红外线检测器等多种方式,而其中基于图像处理的视频车辆检测方式近年来发展很快,由于它具有检测区域大、系统设置灵活等突出的优点,已成为智能交通系统领域的一个研究热点。 通常的视频检测强调二维图像的处理算法,包括车辆的识别、分割和跟踪等。本文致力于研究一种灵活、可靠的视频交通流参数检测系统。车辆的检测基于车道,在每个车道可以设置一条虚拟检测线和一个虚拟检测区域来检测交通流参数,虚拟检测线的作用类似于电磁感应线圈。系统通过对视频虚拟检测线的预处理将二维的数字图像信号转化为一维的检测信号。该方法的特点是只需对虚拟检测线区域内的图像进行处理,处理运算的图像区域小,且避开了在二维图像空间中进行复杂的车辆特征提取与车辆跟踪,因此减少了运算量,降低了运算负荷。 虚拟检测线(域)可以在视频图像中自由设置,并且位置和大小可以调整。各个虚拟检测线的输出信号源于背景差分。在处理过程中,对常用的背景差方法进行了改进,有效的保留了车辆目标信息;通过对常用的边缘检测方法比较,选用了突出边缘的Kirsch边缘检测方法对背景差后的图像进行了边缘检测;使用形态除噪算法对边缘检测的结果进行了噪声去除;提出了阴影边缘去除算法和基于检测线(域)的背景更新方法,阴影边缘去除算法有效的抑制了车辆阴影边缘,背景更新方法则提高了背景更新的精度。 本文还提出了一种从频率域出发,估计出运动车辆在空间域上位移的算法。利用傅里叶变换的自配准性质和位移特性,用极坐标形式下连续两帧车辆图像相位谱的差可直接估计运动车辆的位移,进而估计出车速v=s/△t。由于本算法分辩能力不低于一个像素,因而可用于车速的高精度测量。 利用本文提出的车辆计数和车速测量算法,对晴天和阴天两种典型天气条件下的交通流视频进行了实验,实验结果表明具有较高的车流量和车速检测精度。
何奕飞[6]2007年在《智能交通系统中车辆检测与识别技术的研究》文中指出随着经济的发展,智能交通系统受到人们广泛的关注。本课题是基于视频的车辆图像研究,主要实现了图像采集、图像预处理、车辆检测与车辆识别等功能。本文首先介绍了智能交通系统中车辆图像采集系统的设计。利用Visual C++6.0集成开发工具对天敏视讯科技公司的SDK2000图像采集卡进行了二次开发,编写了包含设备设置、视频设置、视频保存、视频压缩、视频传输等功能的图像采集模块的软件。对实际采集的图像进行图像去噪、对比度增强等预处理,从而有利于图像的进一步分析处理。在车辆检测算法研究中,针对经典的背景差法和帧差法漏检率较高的缺点,提出了一种基于背景差法和帧差法相融合的车辆检测方法。实验结果表明,该方法检测精度较高,大大减小了误检率;并且在检测过程中研究了阴影的去除算法,进一步排除了干扰,提高检测精度。对于车辆识别,采用常用的边缘检测算法进行车辆轮廓提取时,不能得到平滑连续的轮廓线。因此本文引入了数学形态学方法,能较好的进行车辆轮廓提取,进而计算车辆的参数特征。最后用Fisher分类器进行判别,实现了大车、小车及超长车叁种类型的识别。
尹朝征[7]2002年在《基于视频虚拟线圈的交通流参数检测》文中提出实时交通流数据的采集，包括车流量统计、车道平均车速、车型分类、车道占有率等，在智能交通系统中起着重要的作用。交通流检测器有电磁感应线圈、超声波检测器、微波检测器和红外光标等多种方式，而基于图像处理的视频检测方式近年发展很快，因为它具有大区域检测、设置灵活等优越性，已成为智能交通系统的一个研究热点。通常的视频检测手段强调二维图像的处理算法，包括车辆的识别、分割和跟踪等。本文致力于研究一种灵活并且可靠的视频交通流检测系统，在图像中使用智能传感器的概念，完成自动快速的数据运算。其核心思想是通过视频虚拟线圈将二维的图像信号转化成一维的数字时间信号。虚拟线圈的作用类似于电磁感应线圈，每个车道可以设置一到两个虚拟线圈来检测交通流参数，该方法的特点是避开了在二维图像空间中进行复杂的车辆特征提取与跟踪。虚拟线圈可以在视频图像中自由设置，并且位置和大小可以调整。系统只处理虚拟线圈内的图像，由此降低了运算时间。各个虚拟线圈的输出信号主要来源于帧间差分，当帧间差分的结果小于判断阈值时，系统会自动调用减背景图像处理方法来产生虚拟线圈信号。通过对交通流实际样本的自学习，系统能够找到合适的放大倍数来调整线圈输出信号，从而抑制噪声，使得虚拟线圈的输出信号更真实的反映车辆的实际通过情况。每个虚拟线圈都拥有自己的数据缓冲池而不会造成多线圈间的数据访问混乱，数据缓冲池中的数据是逐帧更新的。通过监视各个数据缓冲池中的信号，系统能够检测到车辆的出现并开启跟踪进程。当同一个车道上前后两个线圈同时检测到车辆的运动时，系统从两个线圈的数据缓冲池中找到相应索引位置的数据进行相关匹配求得车辆的行驶速度。为了精确的在一维时间信号中跟踪车辆，系统引入了两个重要的参数（最大容错度和最小可靠性）以及跟踪进程中的奖惩策略。最后，各车道的流量统计、各车辆的速度测量以及车型分类通过监视、跟踪虚拟线圈的输出信号求得。视频虚拟线圈检测交通流参数的实时处理原型系统已经在计算机上实现，实验结果表明该系统具有较高的车流量和车速检测精度。
王自上[8]2010年在《基于视频图像的交通事件自动识别算法研究》文中提出为实现全天候、智能化、实时自动地检测发现并及时处置交通事件,确保道路交通正常,本论文主要研究了利用高速公路上监控摄像机采集的视频图像,基于图像处理技术实现自动识别交通事件,并设计了交通事件前景目标的检测和交通事件识别软件系统。具体在以下几个方面进行了研究工作：1.对高速公路上各种交通事件进行了分类,并着重针对交通事件中的交通事故的分类做了详细阐述。本论文检测识别的对象是高速公路交通事故中的车辆间事故、车辆单独事故和车辆与固定物碰撞,并由上述交通事故引发的车辆慢行、异常行驶等交通事件。2.根据高速公路场景特点和车辆前景目标检测要求,首先运用背景差分方法进行车辆前景提取；其次采用合适空间尺寸的空间域非线性平滑滤波器进行滤波处理,对噪声干扰的抑制能力较强,能起到较好作用；最后,针对背景差分灰度化图像的特点,运用矩阵直方图、最大类间方差准则,并结合解析函数拟合法确定的灰度阈值对高速公路场景下前景目标的二值分割提取有较好的效果。3.提出利用二值图像标定连通区域的属性,对交通事件的前景目标进行特征提取。高速公路上行驶的车辆主要分为轿车、客车和货车叁大类,本论文进一步对叁类车辆进行了车辆尺寸细分,利用划定检测区域内车辆的面积阈值和车辆宽长比阈值对交通事件进行判定识别。4.利用设定间隔两帧图像各自对应连通区域质心的坐标差值和时间差,设计了高速公路行驶车辆视频图像测速的模型和方案,可以较准确的进行行驶车辆的速度检测以识别车辆异常慢行或交通拥堵等交通事件,及时对交通事故引发的二次事件识别报警。
黄惠迪[9]2015年在《基于机器视觉的行车安全预警系统研究与实现》文中指出近些年来随着汽车数量日益剧增，道路交通安全问题逐渐引起了社会的普遍关注，智能汽车安全辅助驾驶系统已成为当前研究的热点。本文基于当前Android操作系统的开放性，使得智能移动设备上的应用开发具有很强的灵活性和广泛性，提出一种适宜于Android智能移动设备运行的行车安全预警系统，对车道线检测与车辆识别的关键技术进行了深入研究。论文在车道偏离预警方面，主要研究了结构化道路建立的车道几何模型和相关假设。在感兴趣区域中通过Hough直线变换提取道路图像边界线段，从中筛选出符合车道线的部分。本文提出对左右两侧车道线设置多项式边界曲线和斜率两个分类特征，去除了大部分干扰信息，有效地提高车道线检测的实时性，减小计算冗余量。对与计算获得的车道特征点集合，通过最小二乘法对车道线进行拟合重建，完成车道线的标识。为了实现车道偏离预警功能，本文对两种方法进行了研究：测量车辆与车道线间横向距离，以及根据车道线消失点与车辆中点的相对位移判断车辆行驶偏向角。论文在车辆识别方面，研究了一种通过机器学习对车辆进行有效检测的方法。首先获取大量车辆图像的正、负样本，选用Haar-like特征用机器学习算法Adaboost进行训练，最后获得Cascade级联分类器，利用实验证明训练所得的分类器对于实际道路环境中的车辆识别有效。为实现车辆碰撞预警，本文针对单目测距几何模型以及车辆碰撞时间TTC模型进行了研究。本文所提出的行车安全预警系统经过算法移植开发并在Android手机上进行了测试，有效地实现了行车安全预警系统的车道线检测和车辆识别功能。综合以上研究内容，本文提出的车道线检测与车辆识别具有一定的实用性。可帮助驾驶员在开车时对前方车辆距离有一个更准确的认知，提前采取正确行动。
刘柳[10]2008年在《露石水泥混凝土路面表面性能研究》文中研究指明水泥混凝土路面具有强度高、稳定性和耐久性好等优点,在国内外公路建设中被大量使用。然而水泥混凝土路面抗滑持久性差、噪声大的缺陷却长期困扰着各国道路工作者。目前,我国公路建设将进入一个新的发展阶段,对道路的安全性和舒适性提出了更高的要求。露石水泥混凝土路面具有抗滑性能高、降噪效果明显等特点,在国外又被称为“悄声混凝土路面”,其应用前景是非常乐观的。但国内还缺乏对露石水泥混凝土路面性能的系统研究。因此在实际应用中如何使露石水泥混凝土的路面性能,如高抗滑、低噪音得到充分发挥,具有非常重要的现实和实用意义。本研究通过理论分析露石水泥混凝土路面抗滑力、噪声产生的机理,及路面表面特征对路面性能的影响,结合室内试验,选用最大粒径分别为9.5mm,16mm,26.5mm的露石表面试件,分别测定其抗滑值、构造深度以及露石度;并在试验路上选点测试噪音、构造深度、抗滑值;通过目测观察法和构造深度法对露石水泥混凝土的离析进行测试和分析,并用试验测得单位面积内的露石度、构造深度。同时将拍摄的具有代表性的露石水泥混凝土的照片用数字图像技术处理分析计算得到该区域的平均构造深度,采用最小二乘法拟和和软件处理两种方式进行比较分析计算。本文研究了在露石水泥混凝土中,其路面抗滑降噪性能与其路面的露石度、构造深度之间良好的相关性,提出当以露石水泥混凝土路面抗滑降噪性能为优化目标时的最佳露石度范围为40～55,最佳构造深度范围为0.8～1.0mm;同时将露石度、构造深度比值分别作为目测和构造深度法测试露石水泥混凝土离析的分级的系数指标,并应用在对试验路的评价上取得良好的效果;同时应用数字图像技术可以使路面构造深度能较直观地在计算机中得到存储和展示。本研究成果实用,且针对性强。不仅为充分发挥露石水泥混凝土高抗滑、低噪音的路面性能提供一定的参考依据。并通过数字图像技术大大简化了试验工作量。
参考文献：
[1]. 无人驾驶汽车环境信息提取及运动决策方法研究[D]. 武历颖. 长安大学. 2016
[2]. 基于视频监控的车速检测算法研究[D]. 唐国侠. 广东工业大学. 2008
[3]. 行驶车辆图像检测技术研究[D]. 崔江. 南京航空航天大学. 2003
[4]. 视频检测技术在智能交通系统中的应用研究[D]. 朱辉. 长安大学. 2002
[5]. 基于视频的交通流参数检测方法研究[D]. 何最红. 广东工业大学. 2006
[6]. 智能交通系统中车辆检测与识别技术的研究[D]. 何奕飞. 南京理工大学. 2007
[7]. 基于视频虚拟线圈的交通流参数检测[D]. 尹朝征. 清华大学. 2002
[8]. 基于视频图像的交通事件自动识别算法研究[D]. 王自上. 北京交通大学. 2010
[9]. 基于机器视觉的行车安全预警系统研究与实现[D]. 黄惠迪. 东华大学. 2015
[10]. 露石水泥混凝土路面表面性能研究[D]. 刘柳. 重庆交通大学. 2008
标签：自动化技术论文; 车流量论文; 特征提取论文; 图像融合论文; 虚拟技术论文; 图像深度论文; 汽车行驶论文; 人工智能论文; 智能交通系统论文;