基于机器视觉的车辆检测和车距测量方法研究

论文摘要

随着汽车保有量的增加,交通安全问题变得日益严重。基于机器视觉的安全车距预警技术具有视觉系统体积小、易于设置、成本较低、图像处理拥有较普及的基础技术平台等优点,目前已成为智能交通系统的研究热点。本文以高速公路车辆为研究对象,采用改进K均值聚类算法对车辆进行检测,并用改进Hu不变矩和改进Affine不变矩进行识别,最后应用Camshift算法对检测目标进行跟踪,在车辆检测跟踪基础上,利用数据拟合方法进行车距的计算。本文主要研究工作如下：1.由于视觉图像中多含有高斯噪声和椒盐噪声,经过理论分析与对比试验后,本文利用小波阈值消噪和中值滤波相结合的方法对图像进行预处理。在Hough变换检测车道标线基础上,通过对经典K均值聚类算法的聚类中心、聚类数和距离测度三方面的改进,实现车辆的准确检测,避免了经典K均值聚类结果不稳定、易发散等缺陷。2.矩特征在图像发生旋转、平移、缩放时都保持不变性,广泛应用于图像识别领域。Hu矩在数据离散情况下不具有缩放不变性,因此需对其进行改进。为限制矩特征的数据变化范围过大,对改进Hu矩和Affine矩取对数处理。综合运用图像的矩形度、对称性、改进Hu矩、改进Affine矩特征,先根据设定的矩形度和对称性阈值对图像进行处理,并根据改进Hu矩和Affine矩的组合不变矩进行模板的匹配,实现对目标区域的识别。3.为快速有效测量出前方车距,本文在Camshift算法对车辆位置进行跟踪基础上利用标定数据拟合方法对车距进行计算,通过预设的安全车距预警方法,达到在不同车距范围内给予驾驶员不同的信号提示。4.为验证上述车辆检测与车距测量方法的有效性,本文最后结合实际高速公路工况,对不同环境、不同车辆类型进行了相应的实车实验,实验结果表明所提出的方法对高速公路车辆检测和车距测量是可行的。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 选题背景
• 1.2 本课题的国内外研究现状
• 1.2.1 理论研究现状
• 1.2.2 应用研究现状
• 1.3 研究目的及研究内容
• 1.3.1 研究目的
• 1.3.2 研究内容
• 2 前方车辆图像预处理
• 2.1 引言
• 2.2 图像增强
• 2.2.1 图像增强理论
• 2.2.2 常见图像滤波方法
• 2.2.3 图像滤波结果分析
• 2.3 颜色空间转换
• 2.3.1 RGB颜色模型
• 2.3.2 CIE XYZ颜色模型
• 2.3.3 Lab颜色模型
• 2.3.4 HSV颜色模型
• 2.4 小结
• 3 图像感兴趣区域提取及分割
• 3.1 引言
• 3.2 图像感兴趣区域提取
• 3.2.1 OTSU阈值分割
• 3.2.2 Sobel算子边缘检测
• 3.2.3 Hough变换
• 3.2.4 车道线识别及ROI区域建立
• 3.3 ROI区域的图像分割
• 3.3.1 经典K-Means聚类算法
• 3.3.2 聚类中心修正
• 3.3.3 距离测度
• 3.3.4 图像分割对比分析
• 3.4 二值化后图像处理
• 3.4.1 区域填充
• 3.4.2 数学形态学运算
• 3.4.3 阈值面积消去法
• 3.5 小结
• 4 车辆特征提取及识别
• 4.1 引言
• 4.2 矩形度特征
• 4.3 对称性特征
• 4.4 不变矩特征
• 4.4.1 经典Hu不变矩
• 4.4.2 改进Hu不变矩
• 4.4.3 改进Affine不变矩
• 4.4.4 组合不变矩
• 4.5 车辆识别
• 4.5.1 模板库的建立
• 4.5.2 识别结果及位置标记
• 4.6 小结
• 5 前方车距测量和预警系统设计
• 5.1 引言
• 5.2 单目视觉测距主要方法
• 5.2.1 基于几何关系的投影模型和摄像机标定的测距算法
• 5.2.2 基于逆投影变换的测距算法
• 5.2.3 基于数据回归建模的测距算法
• 5.3 实验方法及实验结果
• 5.3.1 实验设备及方法
• 5.3.2 视觉图像标定
• 5.3.3 实验结果
• 5.4 安全车距预警系统的设计
• 5.4.1 Camshift目标跟踪算法
• 5.4.2 安全车距预警模型的建立
• 5.4.3 预警结果
• 5.5 小结
• 结论
• 参考文献
• 攻读硕士学位期间发表学术论文情况
• 致谢