导读:本文包含了车道识别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,全景,图像,算法,视觉,无人驾驶,方差。
车道识别论文文献综述
石金虎,金辉,王迪[1]（2019）在《基于单目视觉的智能车车道线识别算法》一文中研究指出针对传统车道检测和识别算法存在的问题,如操作复杂、处理速度慢,鲁棒性不足等问题,提出了一种新的快速车道识别算法。预处理摄像机拍摄的道路图像,并对叁种二值化算法进行图像模拟实验,改进了传统的边缘检测Canny算法,并将Hough变换用于车道线识别。仿真实验表明:该算法达到了快捷准确的识别效果。(本文来源于《汽车实用技术》期刊2019年19期）
庄博阳,段建民,郑榜贵,管越[2]（2019）在《基于光流法的快速车道线识别算法研究》一文中研究指出为提取无人驾驶车前方车道线信息,提出一种使用光流法的快速车道线识别算法;首先,根据连续视频帧之间的时间相关性,运用光流法检测车辆前方背景的相对移动;然后,利用车辆背景中特征点的移动方向和距离,对本帧图像中车道线的位置进行粗略定位,从而缩小本帧图像中车道线的检测区域,加速车道线识别算法;最后,通过对车道线像素点的处理,给出车道线类型信息;该算法提升了车道线检测算法的效率,降低了复合算子车道线检测算法的时间复杂度;在720*480像素下,算法实现了13.5Hz的处理速度,相较仅使用复合算子的处理算法提升了39.6%的处理速度,且算法检测效果良好;实车实验证明了算法的有效性和实时性。(本文来源于《计算机测量与控制》期刊2019年09期）
孟妮,山岩[3]（2019）在《基于径向基神经网络的驾驶人无意识车道偏离识别模型》一文中研究指出针对车辆主动安全系统在车辆运动状态识别时难以区分换道和无意识车道偏离,在实车环境下采集换道和驾驶人无意识车道偏离时的方向盘转角、横摆角速度和车道线距离。建立了基于RBF神经网络的车道偏离识别模型。为了进一步提高模型整体识别率,通过归一化、主成分分析和遗传算法对神经网络的权值和阈值参数进行优化。通过对优化后的神经网络模型进行训练和测试,结果表明:在时间窗口为1.8s时,优化后的神经网络模型总体识别率为90%,其中对换道识别准确率达到了92%,对无意识车道偏离识别准确率达到了88%,能够满足车辆主动安全系统的要求。(本文来源于《计算机与数字工程》期刊2019年09期）
白云飞[4]（2019）在《倡导市民集中出行 缓解城市交通拥堵》一文中研究指出本报讯 为缓解交通拥堵，倡导市民集中出行，9月10日起，辽宁省大连市公安局交警支队在东北快速路北行方向椒金山隧道进口处，启用多乘员车辆（“HOV”）车道抓拍设备，此举破解了“HOV”专用车道管理难题，进一步规范了通行秩序。大连市东北快速路，北接2(本文来源于《人民公安报·交通安全周刊》期刊2019-09-17）
辛超,刘扬[5]（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）
彭业胜[6]（2019）在《基于机器视觉的车道线智能识别系统开发与实验研究》一文中研究指出车道线智能识别系统的开发,能够为汽车自动驾驶和智慧城市建设提供必要的技术支持。传统车道线识别通过特征匹配算法和模型算法实现,具有较大的局限性。为此,笔者结合两者的优势,提出新型车道线智能识别系统,能够有效检测消失点并建立梯形DROI。将开发完成的智能车道线识别系统进行实践检验,识别成功率达到93.95%。由此可见,该系统基本能够满足使用需求。(本文来源于《信息与电脑(理论版)》期刊2019年14期）
谢岩,刘广聪[7]（2019）在《基于编解码器模型的车道识别与车辆检测算法》一文中研究指出针对无人驾驶车辆环境感知问题,通过编码器提取共享图像特征,再通过解码器来实现语义分割、分类和目标检测模块,并应用在车道识别和车辆检测上.在无人驾驶中,任务的实时性非常关键,这种共享编码器模型能一定程度上提高任务实时性.实验结果表明,该模型的语义分割在KITTI数据集上的平均精度达到93.89%,比最优性能提升0.53%,联合检测速度达到25.43 Hz.(本文来源于《广东工业大学学报》期刊2019年04期）
罗康,韩军[8]（2019）在《全景鸟瞰图像中车道线颜色识别方法》一文中研究指出车道线颜色是一种特殊的车道属性信息,是驾驶员文明驾驶和安全驾驶决策的重要依据,而现有的研究只是基于视觉的车道线检测,并未对其进行颜色识别,为此提出一种全景鸟瞰图像中车道线颜色识别方法。首先对全景鸟瞰图像中检测到的车道线进行兴趣点提取,然后将兴趣点叁维RGB像素信息转换为二维信息数据,最后利用mean-shift算法聚类寻找质心,依据不同颜色的二维信息中的分布特征识别车道线颜色。实验结果表明该方法对全景鸟瞰图像中的车道线颜色识别有很好的正确率。(本文来源于《电子测量技术》期刊2019年13期）
于升源[9]（2019）在《基于机器视觉的雾天车道线识别与追踪算法研究》一文中研究指出随着汽车数量的迅速增加,行车安全已经越来越受到人们的重视,其中车道线识别与追踪算法也成为研究的热点领域。传统的车道线识别与追踪算法主要针对良好环境,而对于雾天等不良环境的研究甚少。针对雾天环境下车道线图像路面与车道线的对比度远低于正常环境,给车道线识别与追踪带来困难的问题,本文对雾天环境下车道线识别与追踪算法进行研究,主要研究内容如下:(1)对雾天环境下成像原理以及图像去雾的算法进行研究。针对传统暗通道去雾算法实时性差的问题,提出一种基于形态学腐蚀运算的暗通道去雾算法。与传统去雾算法相比,该算法可以实现快速、准确图像去雾。(2)对于不同类型的车道线,本文采用不同的识别算法。对于直道,选用直线模型,针对传统Hough变换识别车道线存在不准确、实时性差的问题,提出一种基于极角约束和分类判别Hough变换的车道线识别算法。实验结果表明,该算法不仅只对本车道两侧车道线进行识别,而且在实时性上得到提升。对于弯道,选用抛物线模型,首先针对粒子群算法存在过早收敛的问题,用混沌理论对粒子群算法进行改进;然后利用车道线与路面灰度值的差异设计车道线目标函数;最后采用混沌粒子群算法对目标函数中参数优化。实验结果表明,该算法不仅可以对不同情况的弯车道线进行识别,而且满足实时性的要求。(3)为了提高车道线追踪的实时性,本文根据相邻两帧之间车道线相差不大的特点,利用上一帧的识别结果对下一帧图像做预测,通过混沌粒子群算法对车道线进行追踪。实验结果表明,该方法可以快速、准确的对车道线进行追踪。(4)本文设计的雾天环境下车道线识别与追踪算法具有重要的理论意义和应用价值。(本文来源于《桂林电子科技大学》期刊2019-06-01）
杜恩宇[10]（2019）在《全景车辆驾驶辅助系统的车道线识别技术研究》一文中研究指出当前基于视觉的驾驶辅助系统的研究与应用多集中于视场较小的单双目摄像头,功能单一且存在视野盲区和多个相机拼接误差等弊端。而折反射式全景相机通过单个传感器同时获取环视信息,最大程度上扩大了驾驶员的观察视野,实现多项驾驶辅助功能。本文将机器视觉相关理论与全景成像技术相结合,对全景图像展开、车道标识线及车道导向箭头识别等关键技术进行研究,研究成果在智能驾驶领域可以得到切实应用,具有深远的学术意义和可观的应用前景。提出一种基于Gabor滤波的车道标识线快速识别方法。首先利用同心圆环近似展开法将全景图像展开成矩形图像,并对展开后的图像进行不同相位角的Gabor滤波处理得到不同边缘响应的图像,通过计算灰度均值快速得到使车道标识线边缘清晰度达到最高时的方向区间。在Canny算子检测边缘的过程中,只对处于该区间内的边缘点进行非极大值抑制抑制,最后进行双阈值检测连接及Hough直线检测实现车道标识线的快速识别。提出一种基于自适应分块编码的支持向量机(Support Vector Machine;SVM)车道导向箭头多分类识别方法。首先对车道标识线以内区域的导向箭头图像进行Harris角点粗检测,利用改进FAST(Features From Accelerated Segment Test)算法对伪角点进行筛选,根据最终获取的角点集合中纵坐标最大的两个角点的位置分割图像获得待识别区域,避免了提取特征前的逆透视变换处理过程。然后利用不变矩特征训练SVM分类器,并对各识别区域的分类结果进行二进制编码,从而实现在二分类SVM下的多种导向箭头的分类,最终完成导向箭头识别。为验证算法可行性,在不同天气情况下进行道路视频采集,评价车道标识线和车道导向箭头识别算法的识别能力,然后使用采集的500帧道路视频样本进行测试,对于本文算法分别与目前已有的识别方法进行了对比,结果表明所提的车道标识线及车道导向箭头的识别算法识别率分别优于93.6%和95.0%,针对外界环境的干扰具有较强的鲁棒性,为驾驶辅助系统的有效性和稳定性提供了有利保障。(本文来源于《长春理工大学》期刊2019-06-01）
车道识别论文开题报告
（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：
为提取无人驾驶车前方车道线信息,提出一种使用光流法的快速车道线识别算法;首先,根据连续视频帧之间的时间相关性,运用光流法检测车辆前方背景的相对移动;然后,利用车辆背景中特征点的移动方向和距离,对本帧图像中车道线的位置进行粗略定位,从而缩小本帧图像中车道线的检测区域,加速车道线识别算法;最后,通过对车道线像素点的处理,给出车道线类型信息;该算法提升了车道线检测算法的效率,降低了复合算子车道线检测算法的时间复杂度;在720*480像素下,算法实现了13.5Hz的处理速度,相较仅使用复合算子的处理算法提升了39.6%的处理速度,且算法检测效果良好;实车实验证明了算法的有效性和实时性。
（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。
车道识别论文参考文献
[1].石金虎,金辉,王迪.基于单目视觉的智能车车道线识别算法[J].汽车实用技术.2019
[2].庄博阳,段建民,郑榜贵,管越.基于光流法的快速车道线识别算法研究[J].计算机测量与控制.2019
[3].孟妮,山岩.基于径向基神经网络的驾驶人无意识车道偏离识别模型[J].计算机与数字工程.2019
[4].白云飞.倡导市民集中出行缓解城市交通拥堵[N].人民公安报·交通安全周刊.2019
[5].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
[6].彭业胜.基于机器视觉的车道线智能识别系统开发与实验研究[J].信息与电脑(理论版).2019
[7].谢岩,刘广聪.基于编解码器模型的车道识别与车辆检测算法[J].广东工业大学学报.2019
[8].罗康,韩军.全景鸟瞰图像中车道线颜色识别方法[J].电子测量技术.2019
[9].于升源.基于机器视觉的雾天车道线识别与追踪算法研究[D].桂林电子科技大学.2019
[10].杜恩宇.全景车辆驾驶辅助系统的车道线识别技术研究[D].长春理工大学.2019
论文知识图
