导读:本文包含了车道线检测与跟踪论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:车道,卡尔,算法,车辆,道路,视觉,智能交通。
车道线检测与跟踪论文文献综述
杨妍[1]（2019）在《基于车道线的高速公路视频监控中车辆检测与跟踪研究》一文中研究指出西部地区的多数高速公路具有视野纵深远且道路呈直线型的特点,由于空间透视投影的原因,导致在监控范围内运动车辆的面积特征变化较大,J总体呈现“远小近大,”的现象。对于整幅图像难以找到一个合适的阈值,使其既可以滤除近视野中较大的噪声,又可以保留远视野中较小的车辆目标。因此,提出了基于车道线的高速公路视频监控中的车辆检测和跟踪方法,借助车道线来描述这种空间关系,引入影响因子来改善运动目标的直接特征表现。在目标检测前先利用混合高斯模型建立背景图像,该背景模型可动态更新。然后利用背景差分法获得前景目标,并对其进行阴影消除和形态学处理。对背景图像中依次进行车道线位置与颜色特征提取、边缘检测、Hough直线变换和K-means聚类等计算获得了叁条车道线的直线信息以及车道线交点坐标,为后续车道线影响因子的计算奠定了基础。对于检测出的车辆目标分别通过其与基准车道线夹角大小和与交点的距离确定其在监控场景中的位置。不同位置影响因子的计算为:分车道实际采集目标在整个监控视野中的面积特征数据,选定其最大位置处(近视野)的面积作为标准面积,对于其它位置处影响因子是通过求标准面积与该位置处面积比值计算得到,这样就可以完成整个有效监控区域的影响因子的计算。因此本文中的目标检测结果不仅包括视频图像中目标的直接面积特征值,还包括利用影响因子与其计算的乘积值,这样就可以调节不同位置的目标面积特征表现,进而衡量目标的合理性。本文的目标检测方法可以去除伪目标,同时保留远视野中车辆目标,还可以获得车辆目标的运动车道或方向,进而可以滤除位置异常的背景噪声,使得目标检测结果更加准确。在完成目标检测的基础上选择基于特征的目标跟踪方法对车辆跟踪进行研究,选取车辆的质心位置和面积特征以及车道信息作为相邻两帧中目标跟踪时的匹配特征,所以目标匹配中只对于同一运动方向的车辆进行相似度比对,从而减少了不必要的目标匹配计算,提高了计算效率。(本文来源于《西安理工大学》期刊2019-06-30）
方睿[2]（2019）在《基于主动投票法的车道线检测与跟踪算法研究》一文中研究指出由于汽车数量剧增,交通事故频发已经成为当前世界一大难题。在长时间行车时,人类驾驶员承担负荷重,其生理和心理状态容易波动,不能保持注意力集中,增加了交通事故发生的风险。为提高驾驶安全性和舒适性,以车道线检测与跟踪技术为基础的先进驾驶辅助系统成为近年来研究热点。论文针对结构化道路,对基于主动投票法的车道线检测与跟踪算法做了研究。主要工作如下:首先,对道路图像进行灰度化和中值滤波处理,利用逆透视变换得到车道线互相平行的俯视图,设置感兴趣区域减少干扰,使用直方图均衡化进行图像增强,降低亮度变化带来的影响。分析了不同的边缘检测算子,分别从原理和实际应用效果对比,确定选用Canny算子进行边缘检测。使用Hough变换检测边缘图中的直线,针对道路图像特点,通过对极角进行约束,极大程度减少了Hough变换的计算量。提出了一种基于主动投票法的车道线检测算法,其主动表现在每一根直线都被假设成车道线,将自身特点属性作为车道线标准来对其他直线进行投票,根据总票数筛选出车道线。在车道线拟合稳定后,利用卡尔曼滤波进行车道线跟踪,进一步缩小感兴趣区域,降低计算量,提高了算法的实时性,拟合出的车道线也更加精确。为了缩短开发周期,快速开发车道线检测与跟踪算法,论文使用Visual Studio2010开发平台,借助OpenCV在PC端完成了算法的设计,并使用离线车道线视频集验证了算法的性能,通过在多场景下实验,结果表明:算法准确率达93.36%,每帧图像平均耗时15.04ms。选用高性能的TMS320DM642 DSP作为车载视觉识别的硬件开发平台,将已验证的算法用C语言进行嵌入式开发。搭建了“摄像头+DM642+显示屏”硬件测试平台,为试验车的车道保持系统提供转向控制参数,通过道路测试表明:算法准确率达93.04%,每帧图像平均耗时42.41ms。因此,所提出的算法具有一定的鲁棒性和实时性,为实现试验车的车道保持功能提供可靠的视觉感知参数。图[41]表[3]参[65](本文来源于《安徽理工大学》期刊2019-06-13）
王吉通[3]（2019）在《结构化道路车道线的鲁棒检测与跟踪》一文中研究指出随着社会的不断进步与发展,人们的物质生活和精神生活也逐步提高,汽车越来越成为人们出行必备的交通工具,但给人们带来便利的同时,越来越多的交通事故使得人们的人身安全和财产安全受到了威胁。而车道线的检测与跟踪是智能汽车安全辅助驾驶中不可或缺的关键技术之一,它可以实时地提供车辆在道路中的位置信息,并以此确定车辆可安全行驶的区域。因此,提高车道线识别的准确性、实时性和鲁棒性是走向实际应用过程中需要解决的关键问题,具有很重要的研究意义。本论文在国家重点研发计划项目(2016YFB0101102)“电动汽车智能辅助驾驶技术研发及产业化”的资助下,由于实际道路环境中,道路场景复杂多变,面对不同因素对车道线的干扰,主要研究如何通过视觉检测与跟踪算法解决自车道车道线的识别问题,并满足很好的准确性、实时性和鲁棒性。本文通过大量实验完成的主要工作如下:(1)在图像预处理模块中,给出了一个最优的算法流程:逆透视点变换、灰度化、OTSU法二值化及形态学去噪,有效地排除了一部分非车道线的干扰,为后续聚类算法提供更有效的输入。(2)在车道线检测部分,根据车道线的颜色和几何特征,采用基于密度聚类的算法划分成不同的聚类簇。然后,提出了改进的RANSAC算法,进行基于抛物线模型的RANSAC拟合初步完成车道线提取,并针对不同的环境干扰,制定了优化策略,实现复杂环境下对车道线的有效检测,保证鲁棒性的同时,有效地提高了车道线检测的准确性与实时性。(3)在车道线跟踪部分,对比不同的跟踪算法,通过大量实验及理论分析,最后,选定Kalman滤波对车道线模型进行跟踪处理,保证系统的稳定性。通过对车道线模型参数预测和更新,有效地克服了漏检、误检和光照变化的影响,进一步提高了车道线识别的准确性和鲁棒性。最后,本文基于Visual Studio 2013和Open CV2.4.9开发软件,实现了在复杂环境下,如光照变化、车道线不连续、车道标记以及车辆干扰、车辆换道场景下的车道线检测与跟踪,实验结果表明该算法有较好的准确性,实时性和鲁棒性。(本文来源于《吉林大学》期刊2019-06-01）
潘磊成[4]（2018）在《基于机器视觉的车道线检测及跟踪方法研究》一文中研究指出近年来,随着公路建设的发展和汽车的普及,给人类带来了极大的便利,创造了可观的经济效益。但是交通安全问题也面临着严峻的挑战,其影响不容忽视。车辆智能辅助驾驶系统作为行车安全的重要保障,以警报或偏离警告的方式指导司机安全驾驶,在即将发生碰撞或偏离车道时,避免事故的发生。其中车道线检测和跟踪作为安全智能辅助系统中的重要组成部分,有着重要的研究价值和意义。本文主要围绕车道线检测和跟踪进行深入分析和研究。论文介绍并分析了国内外车道线检测和跟踪算法的研究现状。在现有车道线检测技术的基础上,本文根据我国结构化公路特性分别研究了直车道线检测方法和弯曲车道线检测方法。在机器视觉导航中,车道线检测要求实时性好,道路定位准确性高,因此将跟踪算法加入辅助驾驶系统中有着重要的意义与价值。通过研究国内外智能车辆系统的各种算法,本文主要针对下面两部分展开论述。在车道线检测方面,为了去除对车道线检测无用的冗余信息,精确地提取出车道线,需要对视觉传感器所采集到的图像进行预处理,且对每一步预处理的算法进行仿真对比,选取出效果最好的算子。首先,为了使检测结果更精准,更符合要求,本文将改进的概率Hough变换算法(PPHT)与逆透视变换算法相结合用于车道线的检测。然后通过仿真与传统Hough变换算法对比,证实了该算法具有较强的适用性,有较好的检测效果。在弯道检测算法中,本文研究了叁种拟合方法,分别是最小二乘法、贝塞尔曲线法、Catmull-Rom样条曲线法。其中CatMull-Rom样条曲线模型能够在直线模型不够贴合弯道的情况下获得较好的检测效果,通过该算法对曲线进行拟合,达到了弯道检测效果。在车道线跟踪方面,分析了叁种跟踪算法,采用带有跟踪器的检测算法在实时性和鲁棒性有很大提升。通过初始帧检测车道线,记录其信息并进行校正评估,预测下一帧位置,经过“估计-校正-预测”的周期往复,实现了车道线的跟踪。然后,检测车道线并拟合,达到跟踪车道线的目的。本文主要研究的背景环境是高速,城市等结构化道路,应用Kalman滤波器跟踪车道线,不仅能够达到跟踪目的,而且提升了检测结果的准确性。最后本文提出一种图像裁剪比例,选取合适裁剪比例图像,跟踪算法在鲁棒性和实时性上有很大的提升(本文来源于《哈尔滨工程大学》期刊2018-05-01）
魏兆敏[5]（2017）在《智能交通下的车道线检测及车辆检测与跟踪技术研究》一文中研究指出智能交通系统作为当今道路交通领域的重要研究方向之一,其研究目的是为解决社会中交通事故频发的问题。基于河南大学智能交通系统,本文主要研究了车道线检测、车辆检测和车辆跟踪技术,其研究成果如下:1、实现了一种基于Hough变换和K-means聚类的车道线检测方法。首先,对视频图像进行图像缩放、感兴趣区域划分和高斯滤波等前期处理;然后,对道路视频图像采用sobel算子和canny算子进行边缘特征提取,并采用Hough变换进行直线检测;最后,提出基于K-means聚类的道路拟合方法,实现车道线检测。2、实现了基于高斯混合背景模型和基于Adaboost级联分类器两种车辆检测方法。在基于高斯混合背景模型车辆检测方法中,首先,对前期处理视频图像采用高斯混合模型进行前景背景分离;然后,对前景图像进行腐蚀和膨胀等形态学处理,进一步取其动态轮廓;最后,利用图像中的轮廓进行面积、长宽比和占空比等条件进行筛选,完成对车辆的检测。在基于Adaboost级联分类器车辆检测方法中,首先,通过离线采集大量车辆图像的正、负样本;然后,采用车辆图像的Harr-like特征训练Adaboost级联分类器;最后,采用多尺度检测方法对视频图像进行处理,实现车辆检测。3、实现了基于卡尔曼滤波的车辆跟踪方法。首先,判断视频图像中车辆目标的初始位置;然后,不断更新卡尔曼滤波器的测量值和预测值,校正跟踪位置;最后,实现车辆跟踪。更进一步,本文还提出一种多车选择跟踪方法。实验结果表明,本文实现的车道线检测、车辆检测和车辆跟踪方法稳定可靠,能满足智能交通监控系统的要求。(本文来源于《河南大学》期刊2017-06-01）
李亭亭[6]（2017）在《基于光照不变性的车道线检测与跟踪算法研究》一文中研究指出由于国内交通快速发展,引起的负面影响就是交通事故急剧增加,其中有许多由于车道偏离引起的交通事故,因此实时性高、可靠性强的车道线检测与跟踪成为了车辆导航性能要求的主要内容。近年来,由于许多研究人员的努力,在这一领域已经取得了一些进展,例如,应用在高速公路场景中的道路识别已经非常成熟。本文对车道线的检测与跟踪进行了研究,其中车道线检测被广泛应用于自动驾驶和防撞报警系统中。车道线检测系统即在道路图像中,通过预处理算法排除干扰,以及初步的对图像进行整理,提取出有效的车道线信息,且将其识别。本文车道线检测主要包括预处理、车道线检测算法、车道线跟踪算法以及CSK算法改进四部分。(1)车道线检测算法。通过预处理算法,经过逆透视变换,高斯滤波以及分位数方法,对于不同光照亮度的图像实施车道线检测做准备。然后对于不同光照亮度的图像做灰度化处理,车道线识别主要运用了改善的快速随机抽样的线性拟合一致性。(2)车道线跟踪算法。本文研究了卡尔曼滤波算法和CSK(Exploiting the Circulant Structure of Tracking-by-Detection with Kernels)跟踪算法,同时发现CSK算法在目标被遮挡时,无法实现跟踪,为此对CSK算法不防遮挡进行了改进研究。(3)算法测试。根据本文的算法,车道检测和跟踪测试的真实场景。检测结果表明,所提出的检测算法能够准确、快速的实现车道线检测;跟踪结果表明,卡尔曼滤波以及CSK跟踪算法对比分析实验数据,CSK比Kalman跟踪的效率高,速度快,而且改进后的CSK算法能够成功实现遮挡时目标的跟踪。(本文来源于《长安大学》期刊2017-04-12）
赵午峰,乔瑞萍,孙贺[7]（2017）在《基于TMS320DM6437的车道线检测与跟踪》一文中研究指出在TMS320DM6437平台上实现了车道线的实时检测与跟踪。通过两级Hough变换实现了车道线实时检测,利用视频帧与帧之间的相关性对车道线进行跟踪。在算法移植到TMS320DM6437平台过程中,利用DSP特点,对算法在结构以及流程等方面再次进行优化进行进一步优化。经过实验测试,该系统实现了车道线实时检测与跟踪。(本文来源于《电子技术应用》期刊2017年04期）
吴彦文,张楠,周涛,严巍[8]（2018）在《基于多传感融合的车道线检测与跟踪方法的研究》一文中研究指出车道线的有效检测与跟踪是智能车正确识别道路的前提。针对现有车道线检测与跟踪算法效率不高的难题,提出了一种基于视觉传感器与车道级高精度地图相融合的车道线检测与跟踪方法。该方法首先用改进的Hough变换提取边缘线段;然后基于滤波预测与更新车道线模型状态参数;最后结合高精度地图中车道线先验模型参数,跟踪车道线轨迹。现场实测结果表明,算法的实时性和鲁棒性满足算法性能评价体系的各项指标,较符合智能车对车道线检测的要求。(本文来源于《计算机应用研究》期刊2018年02期）
郭克友,王艺伟,郭晓丽[9]（2016）在《结合卡尔曼滤波器噪声分析的车道线检测跟踪算法》一文中研究指出使用卡尔曼滤波对视频序列图像中的具体信息进行跟踪的研究目前是跟踪方向的一个热点;但是在处理卡尔曼滤波跟踪过程中的过程噪声和测量噪声,大部分研究普遍采用的是初始赋值;通过不断的调整参数,达到较好的跟踪效果;但是这样做不但没有遵循原始数据的规律,同时调整参数是一项耗时的工作;基于这个原因,提出了一种对卡尔曼滤波的过程噪声和测量噪声进行预估计的方法并将其应用到车道线跟踪过程中;通过对一部分离线数据进行处理,可以基本估计出系统的噪声参数;最后采用车道线跟踪算法对论文中的方法进行验证,实验证明,提出的参数估计方法在车道线的跟踪过程中达到很好的效果,同时处理每帧的时间为50 ms左右,满足了实时性的要求。(本文来源于《计算机测量与控制》期刊2016年05期）
陈永庆[10]（2016）在《基于图像的车道线检测与跟踪算法研究》一文中研究指出在科技日益发达的今天,人们的生活水平不断提高,交通安全意识明显增强,智能交通系统飞速发展,用于汽车的智能系统更是备受瞩目。车道线检测识别系统是汽车智能安全辅助驾驶系统中的重要组成部分,通过对机器视觉采集来的图像进行预处理操作,从而实现对车道线的检测、识别,以实现车道线偏离预警的功能,提高驾驶的安全性能。本文基于机器视觉车道线监测和识别研究,并采取了相应的技术改进,使车道线的检测和识别更加的准确,速度更快。(本文来源于《长安大学》期刊2016-05-07）
车道线检测与跟踪论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
由于汽车数量剧增,交通事故频发已经成为当前世界一大难题。在长时间行车时,人类驾驶员承担负荷重,其生理和心理状态容易波动,不能保持注意力集中,增加了交通事故发生的风险。为提高驾驶安全性和舒适性,以车道线检测与跟踪技术为基础的先进驾驶辅助系统成为近年来研究热点。论文针对结构化道路,对基于主动投票法的车道线检测与跟踪算法做了研究。主要工作如下:首先,对道路图像进行灰度化和中值滤波处理,利用逆透视变换得到车道线互相平行的俯视图,设置感兴趣区域减少干扰,使用直方图均衡化进行图像增强,降低亮度变化带来的影响。分析了不同的边缘检测算子,分别从原理和实际应用效果对比,确定选用Canny算子进行边缘检测。使用Hough变换检测边缘图中的直线,针对道路图像特点,通过对极角进行约束,极大程度减少了Hough变换的计算量。提出了一种基于主动投票法的车道线检测算法,其主动表现在每一根直线都被假设成车道线,将自身特点属性作为车道线标准来对其他直线进行投票,根据总票数筛选出车道线。在车道线拟合稳定后,利用卡尔曼滤波进行车道线跟踪,进一步缩小感兴趣区域,降低计算量,提高了算法的实时性,拟合出的车道线也更加精确。为了缩短开发周期,快速开发车道线检测与跟踪算法,论文使用Visual Studio2010开发平台,借助OpenCV在PC端完成了算法的设计,并使用离线车道线视频集验证了算法的性能,通过在多场景下实验,结果表明:算法准确率达93.36%,每帧图像平均耗时15.04ms。选用高性能的TMS320DM642 DSP作为车载视觉识别的硬件开发平台,将已验证的算法用C语言进行嵌入式开发。搭建了“摄像头+DM642+显示屏”硬件测试平台,为试验车的车道保持系统提供转向控制参数,通过道路测试表明:算法准确率达93.04%,每帧图像平均耗时42.41ms。因此,所提出的算法具有一定的鲁棒性和实时性,为实现试验车的车道保持功能提供可靠的视觉感知参数。图[41]表[3]参[65]
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
车道线检测与跟踪论文参考文献
[1].杨妍.基于车道线的高速公路视频监控中车辆检测与跟踪研究[D].西安理工大学.2019
[2].方睿.基于主动投票法的车道线检测与跟踪算法研究[D].安徽理工大学.2019
[3].王吉通.结构化道路车道线的鲁棒检测与跟踪[D].吉林大学.2019
[4].潘磊成.基于机器视觉的车道线检测及跟踪方法研究[D].哈尔滨工程大学.2018
[5].魏兆敏.智能交通下的车道线检测及车辆检测与跟踪技术研究[D].河南大学.2017
[6].李亭亭.基于光照不变性的车道线检测与跟踪算法研究[D].长安大学.2017
[7].赵午峰,乔瑞萍,孙贺.基于TMS320DM6437的车道线检测与跟踪[J].电子技术应用.2017
[8].吴彦文,张楠,周涛,严巍.基于多传感融合的车道线检测与跟踪方法的研究[J].计算机应用研究.2018
[9].郭克友,王艺伟,郭晓丽.结合卡尔曼滤波器噪声分析的车道线检测跟踪算法[J].计算机测量与控制.2016
[10].陈永庆.基于图像的车道线检测与跟踪算法研究[D].长安大学.2016
论文知识图
