面向智能車輛的單目視覺行車安全信息檢測與識別方法研究.pdf

1、智能車輛技術(shù)已成為近十多年來的研究熱點，其原因是智能車輛不僅在軍事上可作為一種靈活的武器平臺，而且在生活中也是一種給人們提供便捷和安全的系統(tǒng)，比如無人駕駛汽車和高級駕駛員輔助系統(tǒng)(ADAS)。智能車輛是一個多領(lǐng)域交叉的學(xué)科方向，涉及機械、電子、控制、通訊、傳感器，信息處理等多個門類，其中，信息處理是體現(xiàn)智能化程度的關(guān)鍵，而基于單目視覺的行車安全信息檢測與識別問題又是信息處理的核心問題，也是瓶頸問題之所在，因為環(huán)境的復(fù)雜性和多樣性給這一問

2、題帶來了巨大的挑戰(zhàn)。本文針對這一問題展開研究，具體分析、研究和解決其中的車道線檢測、道路檢測、盲區(qū)車輛檢測和車輛防撞方法中存在的問題和不足，以期進(jìn)一步提升智能車輛的智能化程度和安全性。論文主要內(nèi)容包括:
　　針對結(jié)構(gòu)化和半結(jié)構(gòu)化道路中現(xiàn)有車道線檢測方法沒有專門考慮弱線檢測的問題，提出了兩種模型，其中模糊LDA增強模型用于提升車道線區(qū)域的對比度，另一個亮度對比度顯著性模型可用于魯棒的車道線區(qū)域提取。然后，將兩種模型應(yīng)用于車道線檢測，

3、提出了一種兩階段的車道線檢測方法:第一階段使用亮度對比度顯著性模型提取車道線，并進(jìn)行車道線和道路樣本點的選取;第二階段利用模糊LDA增強模型對道路圖像進(jìn)行顏色空間轉(zhuǎn)換，得到一個突出車道線的高對比度增強圖像，并再次使用亮度對比度顯著性模型對增強后的圖像中進(jìn)行車道線提取，最后使用基于Hough與逆投影變換驗證車道線的提取結(jié)果。實驗結(jié)果表明，該方法能有效提高弱線的檢測率。
　　針對半結(jié)構(gòu)化和非結(jié)構(gòu)化道路檢測的魯棒性不高問題，提出了一種基

4、于稀疏表示與方差鑒別性模型的道路檢測方法。該方法利用已標(biāo)記的道路圖像樣本，通過學(xué)習(xí)得到道路形狀字典，進(jìn)而使用稀疏表示獲得路面圖像的表示系數(shù);通過表示系數(shù)的參數(shù)分布獲得道路形狀先驗信息;采用方差鑒別性模型分析非路區(qū)域和道路區(qū)域的顏色特征分布的鑒別性;通過基于方差最大化鑒別性準(zhǔn)則尋找易于道路區(qū)域分割的顏色通道，最后在該通道上實現(xiàn)道路的分割，在標(biāo)準(zhǔn)庫和自建庫上的實驗證明了所提方法的準(zhǔn)確性和魯棒性。
　　針對盲區(qū)車輛檢測中存在的車型多樣、

5、形狀畸變、尺寸變化等難點問題，提出了一種基于PCA-SOM-Net的盲區(qū)車輛檢測方法。該方法就PCANet產(chǎn)生的特征維數(shù)高的問題，在PCANet中加入的自組織映射網(wǎng)絡(luò)(SOM)進(jìn)行特征聚類，并將第一層輸出也引入到最后的特征表示中，得到了改進(jìn)的PCANet模型—PCA-SOM-Net，該模型在有效減少PCANet特征維數(shù)的同時，保留了PCANet特征的有效性?；赑CA-SOM-Net模型，設(shè)計了一種盲區(qū)車輛檢測方法，該方法首先采用基于路

6、面灰度統(tǒng)計對車輛區(qū)域進(jìn)行粗提取;進(jìn)一步通過典型車輛特征進(jìn)行精篩選，最后利用PCA-SOM-Net提取出的特征和SVM分類器對候選區(qū)域進(jìn)行確認(rèn)。實驗表明，所提方法能夠很好檢測盲區(qū)中的車輛，對車輛的形狀畸變、尺寸變化不敏感。
　　針對車輛的防撞預(yù)警問題，提出了一種基于單目視覺的車輛碰撞模型。該模型通過提取多幀圖像中車輛底部到消失點的距離信息，刻畫幀間圖像的目標(biāo)尺寸變化規(guī)律，從而通過計算分析目標(biāo)車輛的運動規(guī)律，并估算出兩車間的碰撞時間，