丰丽军[1]2000年在《公路汽车视觉导航中的运动目标检测与跟踪》文中研究指明实时检测和跟踪前方的运动目标对公路汽车避免碰撞很重要，它也是视觉导航要完成的重要任务。本文通过对安装在室外行驶的车辆上的CCD摄象机所采集的长序列图象的处理与分析，研究高速公路或等级公路环境下汽车视觉导航中的运动目标检测与跟踪问题。文中使用基于特征的目标检测算法和基于3D运动模型的运动参数估计算法实现运动目标的检测和跟踪。算法的核心是根据图象中的水平和垂直边缘以及目标尾部的局部对称性来检测和确认图象中是否存在目标，并建立反映目标与摄象机之间的相对运动、目标几何参数的状态模型，目标和道路特征的透视投影模型，通过推广的卡尔曼滤波器进行三维运动参数的估计。在卡尔曼滤波过程中使用了序贯处理和U-D协方差因式分解算法提高滤波时的计算速度和数字稳定性。算法具有快速、鲁棒性好及适用性强的优点。本文还给出了模拟的和室外环境下拍摄的真实图象的实验结果。实验表明，本算法取得了满意的运动目标检测与跟踪结果，所以这对公路汽车视觉导航中运动目标的检测和跟踪问题来说是一种可行的方法。
苏开娜, 丰丽军, 刘忠云, 金蕾[2]2001年在《公路汽车视觉导航中运动目标的检测与跟踪方法的研究》文中进行了进一步梳理通过对室外行驶车辆上所采集的长序列图象的处理与分析，研究公路汽车计算机辅助视觉导航中运动目标的检测与跟踪问题。算法的核心是根据图象中的水平、垂直边缘及目标尾部的局部对称性来检测和确认图象中目标的存在。进而建立描述目标与摄象机之间的相对运动的状态模型和表示目标特征的透视投影模型，应用扩展的卡尔曼滤波器进行3维运动参数估计。
郝宝青[3]2006年在《智能车辆视觉导航中道路与行人检测技术的研究》文中研究表明视觉辅助导航是智能车辆导航领域的研究热点之一,其中道路与行人检测技术是其视觉导航系统的重要组成部分。本文主要研究了基于图像的道路与行人检测技术。论文首先介绍了智能车辆视觉导航系统研究背景、意义和现状,并介绍了各大公司及研究机构在智能车辆视觉导航方面的成果和产品,介绍了机器视觉算法的发展状况,分析了常用道路与行人检测算法。论文采用手持摄像机的形式来模拟装载在智能车辆上的可变焦距的摄像机,对采集到的车辆前方的图像采用机器视觉识别算法为主要算法、以PC机为硬件处理平台来研究智能车辆路况视觉识别系统。该系统用于识别前方道路和运动行人的变化信息,计算处理的结果可以作为辅助驾驶的重要信息来源。论文的视觉识别分为两个部分:结构化道路的检测与识别和运动行人的检测与识别。在结构化道路检测方面,论文主要研究了视觉导航中道路边界检测问题,按照道路图像获取→图像预处理→道路边缘检测→形态学膨胀运算这个流程来对图像进行处理。在图像预处理时,采用基于灰度直方图的方法将道路区域与非道路区域分割,在边缘检测中分析对比了各种算子的效果,最终选择sobel算子检测车道线边缘,在此基础上采用形态学膨胀运算,连接细化道路边缘,然后通过图像重建,验证了检测效果与原始图像有很好的一致性,从而证明了本文的道路检测方案有较高的准确性。在运动行人检测方面,论文针对复杂交通环境下的智能车辆辅助导航的情况,对运动行人检测技术进行了较深入的研究。首先详细分析了基于视频图像的运动行人检测技术,提出并实现了一种有效的运动行人检测方法,该方法将采用时间平均法得到的背景图像与经过预处理的当前帧图像进行背景差分,即图像的运动分割,将行人从复杂的背景中初步分割出来,在差分后的二值图像上采用空域分割,初步得到运动行人的边缘,然后采用数学形态学的膨胀与填充运算,将行人从背景中完全分割出来,从而提高了目标分割准确率和识别效果。
武历颖[4]2016年在《无人驾驶汽车环境信息提取及运动决策方法研究》文中指出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线三维激光雷达信息融合的前方车辆识别算法。通过融合64线三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。
金钊[5]2007年在《高速公路汽车车道偏离视觉导航系统的研究》文中提出随着汽车的普及和高速公路的兴建，汽车的主动安全性能也在提高，车道偏离预警系统就是这些安全产品的主流。本论文以基于机器视觉的道路识别与障碍物检测为研究对象，采用动态图像处理技术为行驶车辆提供环境状态信息以及车辆行驶状态信息；并综合利用车辆的当前行驶车道状态(弯道或者直道)和距离信息以实现车辆视觉导航的目的。本文详细的论述了基于视觉的汽车偏离导航系统。该系统可以划分为三个基本部分：道路和车辆状态感知模块，车道检测算法以及信号显示介面。作者在研究中将道路和车辆状态感知模块以及车道检测算法统称为影像辨识系统，它是整个汽车偏离导航系统的核心部分。本文的主要内容如下：1．按以下步骤建立影像辨识系统：(1)预处理图像(2)研究跟踪车道分界线的检测算法(3)利用最优阈值分割法对图像进行分割(4)运用分道线检测法实现边缘或分道线的识别拟合(5)建立道路模型2．将影像辨识系统与可视界面集成，建立基于视觉的汽车导航系统。
张雷[6]2005年在《自动驾驶汽车视觉导航理论研究》文中提出本文针对自动驾驶汽车视觉导航中的车道检测和运动目标检测这两个关键技术进行了研究。文章的主要内容包括图像的预处理——边缘检测、车道检测和运动目标检测。 正确检测出图像的边缘是实现车道检测的关键步骤之一。本文提出了基于多尺度轮廓结构元素的边缘检测算法,在大量噪声干扰下,可以很好的检测出图像的边缘,保留更多的细节,仿真实验表明该方法优于其它数学形态学方法和经典的边缘检测方法。 在车道检测中本文提出了一种将道路边缘检测和基于颜色的图像分割相结合的车道检测算法,可以有效的去除阴影、噪声点对车道检测的影响,并且能够很方便的应用于自动驾驶汽车视觉导航中。仿真实验表明该方法在不同的道路条件下可以得到很好的效果。 在运动目标检测中本文提出了一种新的基于背景减的算法,该算法利用高斯模型和最小二乘法的结合减少了运动前景对构造背景的影响,仿真实验表明,效果优于传统的方法。
皮燕妮[7]2005年在《智能车视觉/雷达辅助导航关键技术研究》文中提出智能车导航系统是智能交通系统的重要组成部分,关于智能车导航关键技术的研究,对于保证车辆安全行驶甚至实现无人驾驶起着至关重要的作用。 论文针对智能车对环境的理解问题,采用图像分析、信息融合等信息处理技术,对智能车辅助导航中的一些关键技术——基于单目视觉的道路检测、前车检测和视觉/雷达融合的车距测量方法进行了较系统的研究,并提出一些有效、实用的算法。同时设计了一个可视化仿真实验软件,通过实地采集或虚拟生成的各种结构化道路场景,对提出的各种算法进行验证。论文研究内容主要有以下几个方面: 1、提出了一种在结构化道路中精确检测车道的两层算法。该算法利用道路白线的局部特性和全局特性,鲁棒的提取特征;按照“拟和—判断—拟和”的流程,用直线或直线与二次曲线的光滑组合匹配白线:并为优化算法添加适当的权值因子,提高算法抗噪性。 2、提出了一种改进的单目视觉方法,用于在可见度高的情况下准确检测和跟踪前方车辆。该算法先利用梯度水平竖直投影图检测前车;然后用卡尔曼预测方法预测下一帧的目标位置,用边缘投影方法定位目标;设计了一种新的四因素似然度函数进行验证。 3、提出了一种应用于智能车夜间视觉导航的前车检测和跟踪算法。该算法用二次阈值法来确定候选车尾灯区域;设计了三因素匹配度函数以准确配对尾灯;采用卡尔曼预测方法进行跟踪,用实测与预测对称轴误差验证跟踪结果。 4、研究了视觉/雷达传感器在决策级和特征级的两级融合算法。决策级融合算法中提出了时空融合的思想,采用D-S证据理论进行融合,设计了应用D-S证据理论的测度函数分配公式:特征级融合采用自适应加权平均方法进行融合。 5、利用Visual C++自主开发了一个虚拟实验环境,采用OpenGL图形接口软件建立具有真实感的多传感器融合系统的仿真平台;并在虚拟环境中模拟视觉和雷达信号,对提出的特征级融合测距算法进行仿真分析。 6、计算水平偏移、偏航角和前方车距,选择以本车安全为关键要素的汽车安全行驶模型,设计实现防偏、防碰撞预警的决策方法,并在此基础上设计智能车防偏防撞预警系统。 此外,论文还考虑了不同技术间的结合,如用道路和前车的检测结果分别限制对方的下一拍检测,以及根据天空亮度在日间、夜间前车检测算法中自适应切换等。
陈龙[8]2013年在《辅助视觉中的图像处理关键技术研究》文中研究表明辅助视觉导航技术是利用计算机视觉代替人眼对于周围景物环境进行感知，对感兴趣目标进行提取分割，对目标进行理解，并完成相应的视觉任务。目前，辅助视觉导航已经在盲人辅助视觉、视觉导航车辆和智能监控等领域得到广泛应用，在军事、航空航天等领域也得到了应用。但在实际应用中，仍存在一些问题。如在复杂环境中，存在大量冗余视觉信息时，如何快速准确地提取到用户感兴趣的目标，建立视觉处理通道，将运算集中在信息集中的感兴趣区域；在目标存在遮挡、旋转和出现相似目标时，现有的方法很难有效地完成跟踪和识别任务；在恶劣天气条件下，图像质量下降也同样会给后续的视觉任务增加困难。本文针对辅助视觉导航中的关键问题，对图像增强、目标检测、目标跟踪和目标识别等问题进行了深入研究，结合人眼视觉特性，实现了复杂环境中感兴趣目标提取，基于物理模型对雾霾、光照不均图像的快速增强，结合全局和局部特征在目标旋转、形变下进行有效识别，采用粒子滤波技术完成相似目标干扰、目标遮挡情况下跟踪等功能。最后，使用DaVinci系列DSP设计完成了一套空间非合作目标测量系统，具有体积小，可靠性高等优点，可以应用于导弹防御、海洋监控等其它领域。论文的主要工作及贡献归纳如下：1.给出了基于人眼视觉注意机制的目标检测和视觉信息处理通道模型。人类的视觉系统就是利用视觉注意机制，处理大量的视觉信息并及时做出反应。本文首先分析了人眼视觉特征，为视觉注意机制引入目标检测奠定了理论基础；提取视频图像中颜色、亮度和方向信息建立特征向量，并结合双目立体视觉的深度信息和光流场的运动向量，通过信息论的方式融合各通道特征图构建显著图。通过显著图可以更加有效地提取视频中的显著目标，建立视觉信息处理通道，通道内为感兴趣目标，通道外为背景信息，为后续的目标识别、目标跟踪奠定了基础。2.提出了一种基于双边滤波器的图像增强算法。恶劣天气下造成的图像质量下降，现有方法存在运算速度慢、光晕效应明显的问题。针对这一问题，对于有雾图像，根据大气物理散射模型，通过灰度腐蚀膨胀运算，去除了环境光估计中白色目标对场景恢复的影响；使用快速联合双边滤波算法，快速准确地计算大气幕V，并通过V获得透射率t，避免了普通双边滤波可能造成的光晕伪影。对于光照不均图像，将光照反射成像模型和物体的RGB色彩通道反射特性结合，提出了亮通道的概念，并从解析的角度给出光照分量的计算方式。通过快速联合双边滤波算法，准确得到了光照分量，最后通过光照反射成像模型求解目标的RGB通道反射系数。实验表明，本文算法恢复图像具有细节丰富、自然逼真、清晰度高等特点，相较其它增强方法，运算速度大幅提高，有利于算法的硬件实现。3.提出了一种结合局部和全局特征的目标识别方法。根据视觉生理学和心理学研究，人类视觉系统依赖于注意力选择机制，结合视觉记忆，能够快速的理解场景内容。Gist向量对于一幅场景图像可以快速地获取的全局意义上的场景要点语义，但对于具体目标缺少特征提取。视觉注意机制分割目标后，提取目标3D-SIFT特征点。局部特征针对图像中感兴趣区域，实现对目标细节的描述，并且使用3D-SIFT描述子满足目标旋转、缩放、光照变化等不变性。局部特征结合Gist全局信息，通过SVM支持向量机对特征向量进行训练。通过实验表明，该方法在目标识别和场景理解领域，均取得良好的识别效果。4.提出了一种基于模糊C均值聚类的粒子滤波方法。针对粒子滤波中出现多相似目标跟踪结果会发散和跟踪核函数窗宽固定的缺陷，以非线性、非高斯系统目标状态估计为主线，使用可变椭圆作为粒子区域，在粒子重要性重采样后，通过mean-shift算法获得每个目标的聚类中心，利用FCM聚类算法完成粒子聚类，获得相应目标的粒子子群，最后通过粒子子群估计各目标的最终状态并修正核窗口宽度。实验表明，与传统粒子滤波算法相比，该算法解决了传统粒子滤波的发散问题，对于目标发生旋转、尺度变化、遮挡等情况，能够准确地对多目标进行跟踪，减少了粒子数量，具有很好的实时性。5.综合视频编解码、网络通信、目标检测、立体视觉测量等技术，设计并实现了一套非合作目标位姿测量实验系统。该实验系统采用基于Hough变换的线特征提取与跟踪，实现对感兴趣区域准确定位；根据特征点坐标进行快速立体匹配与三维坐标计算，并建立目标坐标系，采用RANSAC算法提高相对位姿计算精度。系统硬件使用DaVinci系列DM6467T核心芯片，外围电路采用模块化设计。对非合作航天器自主交会过程模拟的半实物仿真，测量实验表明，相对位置测量精度小于±20mm，相对姿态测量精度小于±2°，测量速度能够达到10fps。系统主要特点：嵌入式设计，硬件实时检测跟踪，体积小、功耗低，可应用在航天器对接、海域、战场监视、视觉导航等领域。
叶永杰[9]2007年在《基于动态图像理解技术的智能交通监控技术》文中指出动态图像理解技术在智能交通中应用的研究，是智能交通系统的重要前沿研究领域，具有十分重要的理论意义和应用价值。利用基于动态图像理解技术在道路交通方面的应用代表着道路交通检测技术的一种新的发展趋势。本文引入了全方位视觉传感器技术，利用全方位视觉监控范围广、包含信息量大和定位算法简单的特点找到一种精确高效简单的交通信息检测方法。本文首先介绍了全方位视觉传感器技术的原理和软硬件开发平台。在动态图像理解方面，我们建立了基于YUV颜色空间的混合高斯分布模型的背景模型，利用该模型检测出运动目标并进行阴影抑制处理，然后将图像二值化处理，并进行数学形态学处理，计算得出运动目标的各项物理属性参数。然后，我们利用这些信息定位到运动目标区域，设计了基于颜色特征的跟踪算法进行多目标跟踪。实验证明该方法计算量小、系统实时性强，能够比较精确的统计车流量、车辆速度以及道路占有率等基本交通信息。通过图像的高级语义解释能发现在检测领域中的车辆事故和车辆超速，为实现智能交通、对道路实施安全监控提供技术支撑。并且在一定程度上解决因遮挡带来的分裂合并问题。最后，我们开发出基于OpenCV图形处理库、Java为开发语言的交通流信息采集的实验系统，并介绍了该实验系统的总体功能和结构，及各个模块的详细实现步骤，本文对杭州市天目山路西段进行信息采集，取得了很好的检测效果。
赵保佑[10]2009年在《基于视觉的车辆检测与跟踪技术研究》文中进行了进一步梳理基于视觉的实时车辆检测与跟踪是智能交通领域的一个重要研究课题,是解决交通安全问题的一种重要手段,在车辆辅助驾驶、危险报警等方面有着很好的应用前景。本文以高速公路上车辆辅助驾驶为应用背景,提出了一个基于道路区域分析的目标检测和跟踪的整体框架,并在此基础上提出了相应的车辆检测和跟踪算法。论文首先介绍了智能车辆在国内外的发展情况,并介绍了相关研究机构在智能车辆开发方面的成果和产品。介绍了机器视觉在辅助导航系统、自适应巡航控制系统等智能车辆中的应用。论文讨论了基于Hough变换法的道路识别技术。综合分析了各种图像预处理技术,并通过实验对比分析,选用适合应用要求的预处理算法;最后着重分析了概率Hough变换原理,及其在道路边界检测中的优势,并给出了试验仿真。试验结果表明文中该算法具有良好的鲁棒性。论文提出了基于阴影提取、车辆纹理与灰度对称性相结合的车辆检测方案。首先在车道范围内,用自适应阈值分割车辆底部阴影,构建车辆可能存在的候选区域;其次,对候选区域应用纹理特征加以过滤;最后,用车辆尾部的灰度对称性确认车辆存在。在车辆检测算法的基础上,论文着重分析了车辆跟踪算法,并将Camshift算法与Kalman滤波分别应用于车辆跟踪。通过试验验证,指出了各自的优势与不足。最后提出一种可相互补充的Camshift算法结合Kalman预测的车辆跟踪架构。大量试验表明,文章所提的算法可以取得较好的跟踪效果。本文结合实验室开展的汽车视觉防撞系统的研究,研究了汽车前方道路识别与障碍物检测与跟踪的视觉算法;利用PETS2001进行了高速公路前方与后方车辆视觉检测与跟踪的实验仿真测试,为后续的防碰撞预警系统的研制提供了较好的技术支撑。
参考文献：
[1]. 公路汽车视觉导航中的运动目标检测与跟踪[D]. 丰丽军. 北京工业大学. 2000
[2]. 公路汽车视觉导航中运动目标的检测与跟踪方法的研究[J]. 苏开娜, 丰丽军, 刘忠云, 金蕾. 计算机工程. 2001
[3]. 智能车辆视觉导航中道路与行人检测技术的研究[D]. 郝宝青. 哈尔滨工业大学. 2006
[4]. 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
[5]. 高速公路汽车车道偏离视觉导航系统的研究[D]. 金钊. 武汉理工大学. 2007
[6]. 自动驾驶汽车视觉导航理论研究[D]. 张雷. 长安大学. 2005
[7]. 智能车视觉/雷达辅助导航关键技术研究[D]. 皮燕妮. 西北工业大学. 2005
[8]. 辅助视觉中的图像处理关键技术研究[D]. 陈龙. 西安电子科技大学. 2013
[9]. 基于动态图像理解技术的智能交通监控技术[D]. 叶永杰. 浙江工业大学. 2007
[10]. 基于视觉的车辆检测与跟踪技术研究[D]. 赵保佑. 武汉理工大学. 2009