导读:本文包含了车道变换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,感兴趣,边缘,卷积,图像,斜率,机器。
车道变换论文文献综述
何旭光,江磊,罗一平,张伟伟[1]（2019）在《基于Hough变换的车道线检测算法设计》一文中研究指出结构化道路具有完整而明显的特征信息,改进了传统道路车道线检测算法,能够满足车道线检测的实时性和鲁棒性的要求。首先提取感兴趣区域,减少数据处理时间。采取自适应阈值的二值化处理,能够保留更多的车道线信息。根据先验知识,对于不符合实际几何特征的车道线进行剔除,得到最符合实际的车道线。通过对多种环境图像的实验,可以验证该算法能够满足大多数行车环境。(本文来源于《农业装备与车辆工程》期刊2019年11期）
辛超,刘扬[2]（2019）在《基于概率霍夫变换的车道线识别算法》一文中研究指出为满足在高精细导航电子地图中进行车道线绘制的需求,本文提出一种基于概率霍夫变换的车道线识别算法。算法在图像预处理部分使用一种基于转换颜色空间的方法提取车道线像素,之后利用自适应阈值的Canny边缘检测算法和概率霍夫变换算法实现车道线识别。试验结果表明,本文算法的运算速度维持在2秒/帧;识别正确率与Matlab经典Hough算法相比提升9%左右,漏检率也有所降低。同时拍摄质量较差图像的针对性试验结果,也证实了本文算法能有效降低天气和光照等因素对车道线识别造成的影响。(本文来源于《测绘通报》期刊2019年S2期）
曹福来,郭瑞瑞,齐明峻[3]（2019）在《一种基于hough变换的车道偏离预警模型的研究》一文中研究指出针对由于车辆偏离车道而引起的交通事故,本文提出来一种基于hough变换的车道偏离预警模型。在车道线拟合方面,由于Hough变换相比最小二乘法具有抗干扰性强易于实现等特点,本文选择了通过Hough变换来拟合车道线。在建立在预警模型时论文提出了拟合车道线的斜率比较法,通过设定合适的车道线斜率阈值来判断当前是否偏离车道。最终通过试验将图像中拟合车道线的斜率和设定的阈值进行了对比,分析验证了所提出方法的可行性和有效性。(本文来源于《时代汽车》期刊2019年12期）
付利军,兰方鹏[4]（2019）在《边缘信息耦合改进的Hough变换的车道线实时检测算法》一文中研究指出针对当前车道线检测算法在阴影及不均匀光照等复杂情况下的目标检测准确性低的问题,提出了一种边缘信息耦合改进的Hough变换的车道线实时检测方法。首先,利用Sobel算子计算车道图像的边缘梯度幅值,并利用2×2掩模测量其梯度方向,以提取车道线的边缘信息。根据得到的边缘信息,在搜索区域中计数每个行中的边缘像素的数目,将边缘像素最多的行作为感兴趣区域(RoI)的分界线,以确定RoI。然后,为了抑制非车道线边缘等杂乱背景的影响,选择特定的梯度方向进行细化RoI。最后,利用方向区间与阈值对Hough变换改进,将其应用于边缘像素,以提取车道线。并在Caltech数据集上进行了测试,数据表明,与当前流行车道线检测方案比较,所提方案在阴影、不均匀光照等不同道路情况下对车道线具有更高的检测精度与效率。(本文来源于《电子测量与仪器学报》期刊2019年08期）
刘萍,孙耀航[5]（2019）在《基于反透视变换的车道线检测算法》一文中研究指出针对无人驾驶车辆在行车过程中,需要沿车道线行驶的功能需要,论文提出了一种基于反透视变换的车道线检测算法。首先,利用最优阈值法对图像进行处理,得到二值图像并且消除噪声。然后,利用反透视变换将车辆摄像头拍摄的图像转换成俯视图。接下来利用K-均值聚类算法进行线性判别以消除线性干扰。最后,从俯视角度连接车道线的不连续之处。通过实验,证实该方法达到了划分车道线,对无人驾驶车辆行驶进行导引的效果。(本文来源于《计算机与数字工程》期刊2019年03期）
张宇,张元良[6]（2019）在《车道变换系统理论研究综述》一文中研究指出合理的车道变换对改善交通很有意义。本文介绍并分析了目前车辆车道变换系统理论发展的叁个阶段研究成果即外部变道安全性、驾驶员因素、道(本文来源于《科学技术创新》期刊2019年08期）
伍玲玲,林志贤,郭太良[7]（2019）在《基于迭加约束的Hough变换车道线检测研究》一文中研究指出针对当前辅助驾驶系统因环境多变以及道路复杂而导致车道线不易准确提取的问题,本文提出一种迭加约束的Hough变换车道线检测算法。该方法首先通过颜色空间转换和大津法分离目标与背景信息,然后采用Canny算子进行边缘检测,利用概率Hough变换拟合边界,最后对拟合的边界进行斜率约束筛选车道线,并对漏检的车道线边界进行补充以及合并,从而实现车道线左右两侧的检测。实验结果表明,本文提出的算法在道路环境多变、天气阴暗以及雨天环境下能很好的实现车道线的检测,检测准确率达95.47%,平均每帧处理时间36.67ms。(本文来源于《有线电视技术》期刊2019年03期）
石林军,余粟[8]（2018）在《基于多约束条件下的霍夫变换车道线检测方法》一文中研究指出车道线检测应用越来越实际,对车道线提取要求也越来越高,为了克服复杂多变的车道环境,提出一种通用环境的车道线提取方法;从原始RGB图像的每个颜色通道获取信息开始,获得鲁棒性很好的灰度化图像;采用一种多约束下的Hough变换提取特征线,接着在提取的线段基础上用概率表决程序估计消失点,接着用消失点约束车道线候选线;最后对剩下的特征线K-mean聚类;试验结果表明,该方法提取车道线鲁棒性很好,检测精度高,识别率97%以上,并处理时间较短,实时性好。(本文来源于《计算机测量与控制》期刊2018年09期）
王嘉雯[9]（2018）在《基于Hough变换和神经网络的智能车辆车道线识别》一文中研究指出随着人工智能技术的不断提高,近年来,智能车辆(Intelligent vehicle)逐渐在各国的智能交通研究中吸引了越来越多的关注,其中,基于机器视觉的车辆行驶环境识别研究成为了研究的重点之一。对路面中的车道线进行正确而实时的检测与识别是对于智能车辆行驶的一大挑战,无论是通过红外识别,图像识别还是最终的机器学习,车道线检测的主要目的都是为了为智能车辆的行驶提供有效正确的道路信息,使智能车辆能实现安全的自动驾驶。本文以智能车辆中的车道线检测和智能车辆的自动驾驶为背景,主要针对卷积神经网络在车道线检测中的应用进行设计,实现智能车辆稳定实时的对道路结构进行识别。本文提出了一种基于Hough Transform和卷积神经网络的道路识别方法。该方法分为图像预处理,图像分类,车辆控制叁个环节。因道路环境易受天气,光照等影响,所以提取的道路的图像会由于天气光照的不同而产生一定的噪声,为了让卷积神经网络能更好的识别到图像中的车道线,首先通过图像的预处理将图像进行去噪,本文主要采用了Canny边缘检测与Hough Transform将图像中的车道线更加突出,而将其他不相关信息过滤掉直,然后,针对处理后的图像,构建出了6层的卷积神经网络对原始图像进行分类训练,训练后的网络模型能正确将车道线提取并且进行正确的分类,分类的准确度为90.08%。最后,结合分类的结果和强化学习来进行车辆的控制。在车辆控制中,本文采用了Qlearning强化学习方法以便学习体(agent)能在交互的环境中学习。在本文的最后章节,对所设计的车道线检测系统进行了测试,将其中的卷积神经网络模块,强化学习模块,都分别进行了测试,最后对整体系统进行了系统测试,并将其与其他车道线检测进行了对比。(本文来源于《北京工业大学》期刊2018-07-01）
张宇,张元良,张超[10]（2018）在《强制性车辆变换车道建模》一文中研究指出利用Stackelberg博弈理论对车辆强制变道过程进行建模分析.强制性车辆变道模型分靠近变道点和距离目标变道点较远两种情况,两种情况下不同类型驾驶员变道决策中各因素所占权重不同.对距离目标变道点较远的强制变道行为进行建模,仿真验证结果表明,模型能够准确反映车辆强制变道过程.(本文来源于《淮海工学院学报(自然科学版)》期刊2018年02期）
车道变换论文开题报告
（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：
为满足在高精细导航电子地图中进行车道线绘制的需求,本文提出一种基于概率霍夫变换的车道线识别算法。算法在图像预处理部分使用一种基于转换颜色空间的方法提取车道线像素,之后利用自适应阈值的Canny边缘检测算法和概率霍夫变换算法实现车道线识别。试验结果表明,本文算法的运算速度维持在2秒/帧;识别正确率与Matlab经典Hough算法相比提升9%左右,漏检率也有所降低。同时拍摄质量较差图像的针对性试验结果,也证实了本文算法能有效降低天气和光照等因素对车道线识别造成的影响。
（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。
车道变换论文参考文献
[1].何旭光,江磊,罗一平,张伟伟.基于Hough变换的车道线检测算法设计[J].农业装备与车辆工程.2019
[2].辛超,刘扬.基于概率霍夫变换的车道线识别算法[J].测绘通报.2019
[3].曹福来,郭瑞瑞,齐明峻.一种基于hough变换的车道偏离预警模型的研究[J].时代汽车.2019
[4].付利军,兰方鹏.边缘信息耦合改进的Hough变换的车道线实时检测算法[J].电子测量与仪器学报.2019
[5].刘萍,孙耀航.基于反透视变换的车道线检测算法[J].计算机与数字工程.2019
[6].张宇,张元良.车道变换系统理论研究综述[J].科学技术创新.2019
[7].伍玲玲,林志贤,郭太良.基于迭加约束的Hough变换车道线检测研究[J].有线电视技术.2019
[8].石林军,余粟.基于多约束条件下的霍夫变换车道线检测方法[J].计算机测量与控制.2018
[9].王嘉雯.基于Hough变换和神经网络的智能车辆车道线识别[D].北京工业大学.2018
[10].张宇,张元良,张超.强制性车辆变换车道建模[J].淮海工学院学报(自然科学版).2018
论文知识图
