导读:本文包含了前方车辆论文开题报告文献综述及选题提纲参考文献,主要关键词:行为识别,经验模态分解,深度神经网络,长短时记忆网络
前方车辆论文文献综述
窦雪婷,王硕,季鑫盛[1](2019)在《基于改进DNN-LSTM算法的车辆前方行人行为识别方法》一文中研究指出为提高行驶车辆前方行人行为识别精度,提出了基于经验模态分解的深度神经网络与长短时记忆网络相结合的行人行为识别方法;该方法在分析骨架节点表征参数的基础上,采用势能、相对位置、加速度、角加速度作为表征参量描述行人行为,利用经验模态分解可以平滑数据的优点,建立深度神经网络与长短时记忆网络融合的识别模型,实现对车辆前方行人行为的准确识别;采用Weizmann数据集和KTH数据集对该方法有效性检验;结果表明,该方法基于两个数据集对车辆前方行人行为识别准确率分别为98.58%和98%,能够为辅助驾驶系统等提供有效的数据支持。(本文来源于《计算机测量与控制》期刊2019年11期)
宋东谕,韩军[2](2019)在《基于单目视觉的前方车辆检测与测距方法》一文中研究指出该文针对前方车辆检测和测距中环境适应性差和定位精度低的问题,提出了一种基于单目视觉结合机器学习和图像形态学处理的方法。采用多尺度块局部二值模式特征MB-LBP(multiscale block local binary pattern)和支持向量机SVM(support vector machine)进行初步检测。将检测出的窗口作为感兴趣区域进行直方图均衡,阈值分割和开运算。二值化后在窗口中进行灰度搜索,将车底阴影坐标作为车辆的像素坐标。根据相机几何投影原理和相机标定推导出车距测量模型,代入坐标得到车距。实验表明该方法在晴天、阴天和小雨的行车环境下平均准确率为94.1%,50 m内相对测距误差小于4%。(本文来源于《自动化与仪表》期刊2019年10期)
叶群辉[3](2019)在《基于计算机视觉的前方车辆检测及测距分析》一文中研究指出汽车交通安全问题已成为现代社会非常重要的研究问题,智能交通系统可以显着降低交通事故发生的概率.基于计算机视觉的前方车辆检测及测距研究,提出了一种结合车牌面积及图像阴影算法来计算实际距离,并运用单目视觉测距方法来实现对车距的检测,应用二阶径向畸变模型降低现实因素造成的误差而导致的数据误差.结果表明:静态试验测距误差为2%~4%,距离为10~22 m,误差较为稳定;动态车距测量在10~80 m内都可以保持较小的误差.(本文来源于《兰州工业学院学报》期刊2019年05期)
张伟[4](2019)在《基于图像处理技术的前方车辆识别系统》一文中研究指出基于图像处理技术的前方车辆识别系统,其需要的图像信息来自于安装在汽车上的CCD摄像机。通过图像滤波能够使图像边缘比较清晰地呈现出来;采用Sobel算子、二值化运算使边缘增强的作用,把检测目标的边缘信息凸显出来,使其更明显,便于更好地识别目标。文中采用基于特征模型驱动的前方车辆检测方法,用Sobel算子对图片进行处理,确定前方有无车辆,通过矩形AOI的建立来确定前方车辆。基于图像处理技术的前方车辆识别,可以帮助无人驾驶汽车时刻检测车辆前的道路情况,为处理道路前方的安全隐患做准备。(本文来源于《自动化与仪表》期刊2019年09期)
尹力,马浩越[5](2019)在《基于Haar特征与后验算法的前方车辆识别方法》一文中研究指出针对前方车辆易受到行车环境干扰而导致车辆识别正确率低的问题,设计了一种基于Haar特征与后验算法的前方车辆识别方法。首先,利用基于Ada Boost和Haar的车辆识别算法对前方车辆识别感兴趣区域,进行车辆识别;然后根据车辆尾部在Canny算子边缘检测结果图中的结构特点进行车辆存在性检验,去除车辆误识别结果。试验结果表明,设计的车辆识别方法具有良好的实时性和鲁棒性,能够满足实时车辆识别的要求。(本文来源于《北京汽车》期刊2019年04期)
陈利东,杜浪东[6](2019)在《基于多传感器的军用车辆前方目标提取和融合算法研究》一文中研究指出在目标车辆识别算法中,通常采用单一传感器作为感知器件。不论是摄像头还是雷达,都因为自身缺陷导致识别出的目标不准确,给ADAS系统的决策控制带来困难。文章提出了一种基于视觉传感器和毫米波雷达相融合的目标识别算法。该算法利用多传感器信息融合技术,按照本车道前方最危险目标(CIPV)的原则,并结合滤波原理,对目标车辆进行识别、提取和跟踪,以剔除无效目标,保留唯一、有效、可靠、稳定的目标,为ADAS系统的决策控制提供依据。(本文来源于《汽车实用技术》期刊2019年13期)
李创[7](2019)在《智能汽车对前方车辆的运动感知与换道意图辨识》一文中研究指出智能车辆是一种不需要人类操作就能自动感应周围环境、自动导航的载具。智能汽车有着提高车辆行驶安全性、减少交通事故、有效的管理交通流量、纾解交通压力等多种优点,现已成为未来汽车科技的主要发展方向。智能车辆在道路上安全行驶的前提是对行驶环境有准确的感知理解,其中对在途其它车辆的运动感知和驾驶行为理解尤为重要。本文以城市道路环境为背景,对智能车辆前方车辆目标的运动状态和换道意图进行研究,主要研究内容如下:首先,对基于深度卷积神经网络的道路场景语义分割技术进行研究,采集并标注大量交通道路场景样本,利用构建的深层道路场景分割网络,通过样本训练,识别出道路场景图像中所有像素的类别,完成道路、车辆、行人、人行道、各类车道线、天空及其他类别的平滑分割。利用语义分割的结果,利用图像RGB分割技术提取出场景里的车辆,并基于单目视觉测距技术完成车辆目标的定位和纵/横向速度、加速度等运动参数的初步提取。然后,在基于世界坐标系与本车运动坐标系的相对运动关系基础上,考虑到道路行驶车辆的机动行为主要以平面二维运动为主,并且机动性较小的特点,通过对几种运动目标状态模型与滤波估计算法的比较分析,最终采用基于匀加速模型(CA模型)的扩展卡尔曼滤波(EKF)算法,实现基于世界坐标系的前方目标车辆的位置和纵/横向速度以及纵/横向加速度等运动状态的准确实时估计,通过实车实验验证算法的稳定性与估计精度。最后,依据车辆变道行为过程符合马尔可夫过程的原理,以及车辆的换道行为具有不可见性和连续性的特点,建立混合高斯隐马尔可夫模型(GM-HMM)来描述前方车辆的变道行为。结合直线道路上的车辆行驶特点,以传感器测量的前车与左侧车道线的横向距离和前车的横纵向速度为换道行为表征参数,筛选NGSIM数据集为训练样本,建立前车换道意图识别模型,对直线路段前车的车道保持(LK)、左换道(LCL)和右换道(LCR)叁种驾驶意图进行辨识。通过对选取的测试样本进行测试,验证了模型的识别准确率。(本文来源于《西安理工大学》期刊2019-06-30)
张娇娇[8](2019)在《基于视觉的前方车辆检测技术研究》一文中研究指出智能交通系统的研究对降低交通事故显得非常迫切,智能车辆作为其中最为核心的部分,对车辆检测与跟踪技术的研究也越来越受到研发人员的关注。本文针对车辆行驶过程中交通事故频发的问题,在车辆检测与跟踪方面进行了研究;通过采用双目视觉传感器,分析图像预处理、车辆检测与跟踪、相机标定与立体视觉系统,提出了一种结合特征与Kalman滤波改进的Camshift算法,解决车辆行驶过程中跟踪不准确的问题。具体如下:1)进一步调查了国内外智能交通系统的研究现状和发展趋势,简要介绍了目前主流的前方车辆检测技术。分析了图像预处理相关技术,对比选用中值滤波作为图像滤波手段,运用OSTU法对图像进行二值化处理,比较并选用了Canny算子对图像边缘进行提取。2)结合车辆特征和卡尔曼滤波跟踪实现对Camshift算法改进。以前方车辆检测技术为背景,论文采用改进的Hough变换提取车道线,并根据车辆底部下缘阴影对车辆进行精确定位;运用Camshift算法实现对前方车辆的跟踪,并结合卡尔曼滤波对其下一时刻的位置进行更新预测,跟踪的准确率得到了提升。3)对双目相机的成像原理以及坐标系之间的转换关系作了分析,研究了双目立体视觉系统测距。主要包括立体校正、对极几何原理及立体匹配算法的选择等,搭建了立体视觉系统软硬件平台,最后进行了双目测距实验验证分析,得出测距误差保持在5%范围内。(本文来源于《贵州大学》期刊2019-06-01)
赵逸群[9](2019)在《基于雷达和摄像头的前方车辆识别方法研究》一文中研究指出随着汽车的普及,智能辅助驾驶系统的研究和开发旨在拯救人类生命。大量的研究致力于开发驾驶员辅助系统和智能车辆以提高安全性。出于安全,舒适和节能的目的,车辆智能驾驶系统已成为智能车领域的主要研发课题。而车辆环境感知是车辆智能驾驶系统不可或缺的一部分,其中前方车辆识别是环境感知中非常关键的组成部分之一。安全可靠的道路前方车辆障碍物识别系统,能够为自动紧急刹车系统等主动安全技术提供良好的技术支撑。从技术的层面而言,其通过毫米波雷达采集多种类型的状态信息,其中比较主要的包括车距、行驶速率等;另外,结合毫米波雷达提供的数据在目标图像之后构建感兴趣区域;最后,将雷达、视觉等各个部分进行有效的统一,将雷达获取的道路数据体现在可视化界面上,对感兴趣区域应用基于车牌检测的前方车辆识别算法进行识别与验证,判断是否为车辆类障碍物。主要研究内容如下:第一,通过毫米波雷达获取64个有效目标所对应的状态信息,之后把这些数据根据距离原则完成排序处理;其次,在对测量环境进行综合性的分析之后,对距离阈值进行合理的设置,并结合距离最近原则对有效目标信息进行选取;最后,将目标预测信息与其展开检验,之后结合有效目标生命周期的方法完成决策分析,进而对目标进行合理的选择。第二,提出了一种基于车牌检测的前方车辆识别算法,以提升融合后的整体实时性。首先,利用图像中的路面或车道线等细节提取感兴趣区域。其次,利用HSV(Hue,Saturation,Value,简称为HSV)色彩空间转换与矩形图像检测从感兴趣区域中过滤光照变化,阴影和杂乱背景,从而检测出车辆的车牌信息。同时,在初次检测失败的情况下进行二次定位和验证。最后,利用检测出的车牌信息识别前方车辆。由于通过车牌来识别车辆,所以本算法具有较好的实时性。第叁,在建立雷达与视觉融合模型之后。将雷达与视觉传感器进行有效的统一,然后在时间与空间上进行融合,并将融合结果展示在基于Visual Studio2013编写的可视化程序中。另外,在雷达确定感兴趣区域后,利用车牌检测对前方车辆进行准确的识别,然后在获取的离线实车道路环境数据下,将以车牌检测为核心的前方车辆识别算法进行应用,得到的结果显示:本研究提出的算法与常规的单一传感器的车辆识别算法进行对比,其发挥的效果较好,具有一定的实时性提升,对于前方车辆能够发挥出良好的识别准确率,为车辆驾驶辅助系统提供了良好的道路环境感知信息。(本文来源于《吉林大学》期刊2019-06-01)
朱菲婷[10](2019)在《基于深度学习的车辆前方二轮车检测研究》一文中研究指出随着经济和科学技术的发展,汽车保有量快速增加,带来了更多的驾驶问题和交通安全问题。与汽车和汽车驾驶员相比,小型交通工具乘用者比如骑二轮车人在道路上受到的保护依然有限,容易受到伤害。在中国农村和小城镇的居民也大多采用摩托车、自行车、电瓶车等二轮车出行,以及近几年大城市共享单车的普遍施行,二轮车对交通安全存在很大的影响,因此对二轮车进行检测有着十分重要的意义,而现存的二轮车检测算法采用传统的目标检测算法,并未实现精确检测,速度也达不到实时性的要求。本文提出一种基于深度学习的车辆前方二轮车检测方法,主要工作如下:(1)从目标检测技术、二轮车检测以及数据集叁个方面分析了目标检测的相关国内外研究现状,总结出二轮车目标检测的叁个主要技术难点,确立了主要研究内容和总体思路,并构建技术路线图。(2)阐述了深度学习的概念和卷积神经网络的基础结构,对基于深度学习的two-stage检测算法中的主流算法RCNN、SPP-Net、Fast RCNN、Faster RCNN和one-stage检测算法中的主流算法YOLOv1/v2/v3、SSD算法进行逐个分析和对比,根据算法特点初步选择Faster RCNN和YOLOv3算法对二轮车进行检测,并使用精确率、召回率、mAP和识别效率作为模型评价指标。(3)分析总结了符合道路条件下的包含二轮车数据的现有开源数据集的数据标注格式,针对不同的数据标注格式利用脚本将现有数据集进行数据清洗,将提取的二轮车数据标签整合成统一的可训练的标签格式,再针对现有数据集存在的数据样本不均衡、大多为国外交通场景、二轮车样本量不足等缺点,补充实车采集数据并使用专用数据标注软件labelImage进行数据标注,与现有数据集整合为所需训练的二轮车识别数据集。(4)搭建算法试验平台,利用制作的二轮车数据集分别采用Faster RCNN算法和YOLOv3算法进行网络模型训练,然后利用模型评价指标对比两种网络检测效果,试验结果表明YOLOv3算法检测精确率较高,检测速度更快,更符合二轮车检测需求。(5)分析YOLOv3算法所存在的不足,提出了采用焦点损失函数代替交叉熵损失函数的损失函数优化方案以及采用K-means++算法重新计算anchors尺寸大小的优化方法,并进行视频离线试验,改进后的YOLOv3_two-wheel模型算法检测精确率达92.4%,比原模型提高了5.5%的检测精度。(6)对全文研究内容进行工作总结,并指出存在的不足之处,为进一步的研究提供改进方向。(本文来源于《吉林大学》期刊2019-05-01)
前方车辆论文开题报告
(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:
该文针对前方车辆检测和测距中环境适应性差和定位精度低的问题,提出了一种基于单目视觉结合机器学习和图像形态学处理的方法。采用多尺度块局部二值模式特征MB-LBP(multiscale block local binary pattern)和支持向量机SVM(support vector machine)进行初步检测。将检测出的窗口作为感兴趣区域进行直方图均衡,阈值分割和开运算。二值化后在窗口中进行灰度搜索,将车底阴影坐标作为车辆的像素坐标。根据相机几何投影原理和相机标定推导出车距测量模型,代入坐标得到车距。实验表明该方法在晴天、阴天和小雨的行车环境下平均准确率为94.1%,50 m内相对测距误差小于4%。
(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。
前方车辆论文参考文献
[1].窦雪婷,王硕,季鑫盛.基于改进DNN-LSTM算法的车辆前方行人行为识别方法[J].计算机测量与控制.2019
[2].宋东谕,韩军.基于单目视觉的前方车辆检测与测距方法[J].自动化与仪表.2019
[3].叶群辉.基于计算机视觉的前方车辆检测及测距分析[J].兰州工业学院学报.2019
[4].张伟.基于图像处理技术的前方车辆识别系统[J].自动化与仪表.2019
[5].尹力,马浩越.基于Haar特征与后验算法的前方车辆识别方法[J].北京汽车.2019
[6].陈利东,杜浪东.基于多传感器的军用车辆前方目标提取和融合算法研究[J].汽车实用技术.2019
[7].李创.智能汽车对前方车辆的运动感知与换道意图辨识[D].西安理工大学.2019
[8].张娇娇.基于视觉的前方车辆检测技术研究[D].贵州大学.2019
[9].赵逸群.基于雷达和摄像头的前方车辆识别方法研究[D].吉林大学.2019
[10].朱菲婷.基于深度学习的车辆前方二轮车检测研究[D].吉林大学.2019