导读:本文包含了前车检测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:前车,毫米波,视觉,机器,特征,车辆,目标。
前车检测论文文献综述
赵望宇,李必军,单云霄,徐豪达[1]（2019）在《融合毫米波雷达与单目视觉的前车检测与跟踪》一文中研究指出对现有融合雷达与视觉的车辆检测方法进行改进,增加目标跟踪过程,进一步提升城市复杂环境下智能车前方车辆信息感知的准确性。首先,针对雷达数据处理,提出一种基于层次聚类的雷达杂波剔除方法;其次,针对视觉数据处理,提出一种基于目标景深的自适应车辆检测方法;最后,提出一种基于核相关滤波器(kernelized correlation filter,KCF)-扩展卡尔曼滤波(extended Kalman filter,EKF)组合滤波的目标跟踪方法,对车辆几何与运动信息进行了有效估计。通过在不同交通环境与天气状况下进行实车实验,结果证明,该方法具有更好的可靠性与鲁棒性。(本文来源于《武汉大学学报(信息科学版)》期刊2019年12期）
霍威,王震洲[2]（2018）在《基于HSI颜色空间的前车尾灯检测方法及研究》一文中研究指出针对前车尾灯的检测与灯语识别在城市交通环境下对安全驾驶起着重要的辅助作用。本文在车辆检测基础上,利用HSI颜色空间的特性结合尾灯区域特性提取尾灯区域轮廓,实验表明本方法可以有效提高前车尾灯识别的准确率。(本文来源于《科技风》期刊2018年21期）
吴迪[3]（2018）在《基于雷达和机器视觉的前车检测预警技术研究》一文中研究指出目前,随着汽车数量的增加,道路交通事故也越来越频发,在这些事故中,汽车追尾碰撞占了很大的比例,严重威胁人们的人身财产安全,因此为了有效避免此类交通事故的发生,研发一种前车检测预警系统成为迫在眉睫的事情。常用的前方车辆检测方法有基于机器视觉和基于雷达两种方法。基于机器视觉的前方车辆检测方法具有较好的鲁棒性,但实时性较差且容易受到光照、天气等环境因素的影响,从而影响检测结果的准确性;基于雷达的前方车辆检测方法不易受环境因素影响且实时性高,但是其易受噪声影响,且大气传输损耗较大。考虑到传统的前方车辆检测方法是依靠单一的传感器,存在着漏检、误检等问题,本文采用了基于毫米波雷达和视觉两种传感器的前方车辆检测技术并进行预警。首先通过安装在车内的CCD摄像头传感器获得前方车辆行驶的视频图像,将视频图像传到PC端,并结合车道线和车辆阴影的方式初步获得前方车辆粗定位,再通过检测车辆左右边缘特征和车轮灰度值进一步确定前方车辆在像素空间中的位置;其次利用毫米波雷达传感器获取前方障碍物的信息,通过滤除空目标、无效目标和静止目标,得到前方有效目标车辆的距离、速度和加速度等信息;最后根据信息融合模型实现机器视觉获取的信息与毫米波雷达采集的信息融合。本文在实现了机器视觉和毫米波雷达采集的信息在时间和空间融合的基础上,最后通过matlab仿真软件中的Simulink模块建立前车预警模型,并在基于GUI图像界面搭建了模拟预警监控仿真平台。通过matlab仿真软件中Simulink模块和GUI图像的联合仿真实验对目标状态预测的预警算法进行了验证。仿真结果表明,通过雷达和机器视觉的信息融合,大大提高了预警的准确度,能够有效降低错检率和误检率,提高前车检测结果的正确率,具有较高的实时性、鲁棒性和准确性,达到了预期的目标和要求。(本文来源于《南京林业大学》期刊2018-06-01）
王威[4]（2018）在《基于卷积神经网络的前车检测与跟踪方法研究》一文中研究指出随着国内车辆保有量的日益增加,道路交通事故的数量,尤其是车辆前向碰撞的事故量高速上升。并且交通事故常常是由于驾驶员因素如疲劳、分心等造成的。前向碰撞预警系统能够在风险出现时预警,从而有效避免前向碰撞事故的发生,而前车检测技术是该系统的关键。本文分析了现有车辆检测的相关技术,重点研究日间道路前向车辆检测与跟踪的方法。主要工作包括:(1)基于阴影与车宽约束的车辆假设生成首先采用灰度直方图峰谷分析法(HVAM)分割图像阴影区域;其次对阴影分割产生的二值图像进行形态学处理;接着又结合车辆属性约束条件(即车辆宽度以及车底阴影形状的矩形度和宽高比)排除图像中大量的非车辆阴影区域;最后,针对可能存在部分车辆假设重迭的现象,分析车辆假设框重迭的多种情况,根据重迭框融合原则,进行了消除重迭框的操作,最终生成了车辆的假设区域。(2)基于卷积神经网络的车辆假设验证首先,建立了自己的车辆样本库;其次,设计并训练多种结构CNN;最后,针对GTI数据库,对传统方法和CNN方法的车辆假设验证效果进行对比分析,本文设计CNN结构正确率高且用时短。(3)基于卷积神经网络的车辆跟踪提出了基于卷积神经网络的车辆卡尔曼滤波跟踪方法,先利用kalman滤波算法进行状态预测,然后用CNN网络对目标邻近区域进行观测,从而完成跟踪过程。但是由于kalman滤波算法的局限性,一次只能处理一个目标,因此比较耗时,针对该问题,本文又进一步提出基于CNN的区域跟踪方法。经实验验证,基于CNN的区域跟踪方法能在保证准确性与稳定性的基础上,还能大大提高实时性。(本文来源于《湖南大学》期刊2018-04-23）
余小角,郭景,徐凯,王娜[5]（2017）在《一种基于类Haar特征和AdaBoost算法的前车检测方法》一文中研究指出针对智能车辆和安全驾驶辅助系统中车辆检测问题,提出一种基于类Haar特征和AdaBoost分类器并结合车辆灰度对称性验证的前车检测方法。使用积分图方法计算图像类Haar特征,并对提取的海量类Haar特征应用AdaBoost算法进行特征选择及分类器训练,最后使用所选择的特征及分类器进行测试。实验结果表明,该方法在阴天和晴天情况下检测率分别为90.86%、91.15%,可以快速、有效地进行前车检测。(本文来源于《微型机与应用》期刊2017年13期）
程文冬,袁伟,张名芳,李震[6]（2017）在《融合车尾边缘特征的前车识别与纵向车距检测》一文中研究指出以提升车辆主动安全、减少纵向碰撞事故为目标,提出了一种基于车尾边缘特征信息的前车识别方法与基于单目视觉的纵向车距检测方法。有别于传统算法利用全局边缘特征或灰度纹理特征来识别前车,该算法首先依据路面灰度分布特性来分割车底阴影,再利用车尾水平与竖直边缘的分布特性建立前车ROI,进一步利用竖直边缘的对称强度验证车辆身份。根据摄像机的小孔成像原理建立纵向车距测量模型,避免了复杂的内外部参数标定。道路试验表明,算法对车辆的平均识别率达到88.5%,纵向车距检测的平均相对误差小于3%,能够实现的有效测距范围为(6.9~78.3)m,其精度与运行速度可以满足实际驾驶中的纵向车距检测。(本文来源于《机械设计与制造》期刊2017年07期）
张胜[7]（2017）在《基于运动矢量分析的视频图像前车检测研究》一文中研究指出近年来,随着智能交通的飞速发展,无人驾驶得到人们越来越多的关注。作为无人驾驶重要的环节之一,前车检测能够规避人的主观意识及行为,大幅减少各类交通事故的发生,大大提升驾驶安全性;同时,前车检测还能预判前方交通的拥塞状况,规划出畅通便捷的路径,在一定程度上缓解交通拥堵的问题。因此,开展前车检测相关研究,具有十分重要的理论意义和实际价值。本文针对视频图像中运动目标轨迹连续性的特点,结合实际的道路交通场景,开展前车检测问题研究,主要包括以下几个方面的内容:首先,介绍了智能交通的发展背景及行业现状,简述了本文所涉及内容的研究意义,并对目前国内外的相关研究工作进行了综述和分析。其次,分别介绍了几种静态场景和动态场景下的车辆检测方法,重点分析了动态场景下的运动车辆检测方法,结合视频图像中运动车辆轨迹连续性的特点,分析了当前算法的改进思路,引出了运动矢量的概念。再次,为了获得运动矢量,研究了一种基于空间约束的帧间匹配方法。结合视频图像中运动车辆轨迹连续的特点,针对暴力匹配方法的不足,提出了一种综合考虑灰度信息和空间位置加权的方式来刻画特征点相似度的方法,以此实现帧间特征点的匹配。最后,基于空间坐标与平面图像之间的透射关系,研究了消失点在车辆检测中的应用。将消失点与运动矢量相结合,提出了一种基于运动矢量的前车检测算法。通过实际获取的视频图像进行实验测试,验证了本文算法具有良好的前车检测性能。(本文来源于《华中科技大学》期刊2017-05-01）
陈戈珩,潘晓旭,杨林,胡明辉[8]（2017）在《基于改进灰色模型的前车检测与跟踪算法》一文中研究指出基于改进GM(1,1)模型,依据车底阴影特征自适应确定目标假设区域,利用边缘对称性和纹理特征两层约束验证车辆区域,排除虚假目标。应用改进的GM(1,1)预测下一帧目标位置,结果表明,可以实现前方车辆的检测与跟踪。(本文来源于《长春工业大学学报》期刊2017年01期）
曾杰,任玥,郑玲,黎予生,熊周兵[9]（2017）在《基于雷达与机器视觉信息融合的前车检测研究》一文中研究指出针对智能汽车依靠单一传感器对前方车辆检测存在漏检、误检的问题,建立起毫米波雷达和摄像头对前方车辆检测算法的融合模型,提出筛选毫米波雷达所检测的前方有效车辆与本车相对位置数据的滤波算法,采用车辆尾部特征分类器检测和基于底部阴影特征的方法检测前方车辆在像素空间位置,根据信息融合模型实现对毫米波雷达与视觉信息的融合。研究结果表明:采用机器视觉的方法对轿车的检测效果较好,但对尾部特征复杂的大货车会存在较高的漏检情况。经毫米波雷达与机器视觉的信息融合后,两种传感器能够同时检测出大货车,有效提高所检测到车辆目标的置信度,增加智能汽车行驶安全性能。(本文来源于《西南汽车信息（2017年第1期 总第370期）》期刊2017-01-01）
陈戈珩,潘晓旭,侯作辉[10]（2016）在《基于车道线识别和多特征的前车检测算法》一文中研究指出前车检测是安全辅助驾驶系统的主要研究领域,实时鲁棒的检测方法能够使智能车实现有效的防偏防撞预警和控制。提出了一种基于车道线识别和多特征的前车检测方法。首先基于车道线识别方法将感兴趣区域定位于两条车道线之间,然后依据车底阴影特征自适应确定中远距离车辆假设区域,最后利用纹理特征、垂直梯度投影均值和边缘对称性特征叁层约束来验证车辆区域。实验结果表明:该方法能够实时准确地检测出不同光照条件下本车车道前方中远距离的车辆。(本文来源于《科学技术与工程》期刊2016年15期）
前车检测论文开题报告
（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：
针对前车尾灯的检测与灯语识别在城市交通环境下对安全驾驶起着重要的辅助作用。本文在车辆检测基础上,利用HSI颜色空间的特性结合尾灯区域特性提取尾灯区域轮廓,实验表明本方法可以有效提高前车尾灯识别的准确率。
（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。
前车检测论文参考文献
[1].赵望宇,李必军,单云霄,徐豪达.融合毫米波雷达与单目视觉的前车检测与跟踪[J].武汉大学学报(信息科学版).2019
[2].霍威,王震洲.基于HSI颜色空间的前车尾灯检测方法及研究[J].科技风.2018
[3].吴迪.基于雷达和机器视觉的前车检测预警技术研究[D].南京林业大学.2018
[4].王威.基于卷积神经网络的前车检测与跟踪方法研究[D].湖南大学.2018
[5].余小角,郭景,徐凯,王娜.一种基于类Haar特征和AdaBoost算法的前车检测方法[J].微型机与应用.2017
[6].程文冬,袁伟,张名芳,李震.融合车尾边缘特征的前车识别与纵向车距检测[J].机械设计与制造.2017
[7].张胜.基于运动矢量分析的视频图像前车检测研究[D].华中科技大学.2017
[8].陈戈珩,潘晓旭,杨林,胡明辉.基于改进灰色模型的前车检测与跟踪算法[J].长春工业大学学报.2017
[9].曾杰,任玥,郑玲,黎予生,熊周兵.基于雷达与机器视觉信息融合的前车检测研究[C].西南汽车信息（2017年第1期总第370期）.2017
[10].陈戈珩,潘晓旭,侯作辉.基于车道线识别和多特征的前车检测算法[J].科学技术与工程.2016
论文知识图
