一、基于亮度差和纹理的货车类型的识别（论文文献综述）
韦昊[1]（2020）在《基于深度学习的货车盲区障碍目标检测算法研究》文中研究表明货车承担着我国大部分的货物运输量,但由其引发的事故也频发不断。货车由于车身体积大、驾驶舱位置高、后视镜反射范围有限等原因,存在右转弯盲区以及倒车盲区,导致驾驶员不能充分获取车身四周的环境情况,因而易发生安全性事故。基于此,本文提出基于深度学习的货车盲区障碍目标检测方法,通过安装在货车右后视镜下方及车尾的两个摄像头对货车右转弯盲区及倒车盲区内出现的障碍目标进行实时检测并通过对目标距离的测量进行危险判断,从而有效辅助货车司机安全驾驶。本文首先通过对货车盲区进行分析,依据阿克曼转向原理及车辆制动模型对货车盲区危险距离进行了定义。并且提出障碍目标距离测量模型,先对相机进行标定获取内外参数,结合目标在相机输出图像的像素坐标位置以及相机安装高度和角度,计算出目标离车身的横向距离以及目标离车尾的纵向距离。使用基于深度学习的YOLOv3目标检测网络模型对行人、骑行者、车辆三类目标进行检测。训练数据集选自BDD100k数据集中不同时间、情景、天气下的图片,更加符合货车实际行驶情景,使训练后的模型具有更强的泛化能力。并通过迁移学习的方法对YOLOv3模型进行更加高效的训练。针对检测方法做出两方面改善。一方面,对所有输入图像进行基于V通道亮度均值的夜晚判断,并对筛选出的夜间图像通过图像增强算法进行处理,有效提升夜间检测准确度;另一方面,通过YOLOv3模型结合通道剪枝算法,提出YOLO＿CS模型,该模型在不损失m AP的情况下,体积小,检测速度快,更适合在嵌入式等小型设备上部署。论文最后通过实验对货车盲区障碍目标检测算法进行验证。结果表明,在白天障碍目标检测中,检测准确度达到96.77%,检测速度达到55FPS。在夜间障碍目标检测中,检测准确度达到91.23%,检测速度为46FPS。5m范围内,横向距离测量准确度不低于90.2%,30m范围内,纵向距离测量准确度不低于95.1%。
张驰[2]（2019）在《基于机器视觉的调车机车辅助驾驶的研究》文中研究表明近年来,轨道交通行业发展迅速,而调车机车的作业场景开放复杂,司机控制工作量大,存在诸多安全隐患,有着辅助驾驶的需求。本文从调车机车驾驶的实际需求出发,针对作业过程中存在的侵限安全和驾驶控制两大关键问题,基于机器视觉技术展开研究,主要内容如下:（1）提出调车机车监控视频预处理算法,实现了雾天、夜晚和雨天多种恶劣环境的图像增强。雾天中,先将Retinex算法的中心环绕高斯滤波修改为双边滤波,去除噪声的同时,保证边缘信息完整性,以此获得对数域的增强结果;再采用Sigmoid函数对其进行处理,降低运算量,还原真实颜色。夜晚中,基于HSV颜色空间,获取光源位置,保留颜色信息,并减小光源区域对周边的干扰;所得到的图像反色后采用暗通道先验算法进行类雾天增强;再结合白天对应图像的Lab直方图信息改善偏色现象。雨天中,采用分数阶傅里叶变换处理图像,得到方向频谱能量曲线,提取雨痕方向,以此旋转图像将高频信息中非雨痕边缘滤除,并提高横向周边像素权重,得到雨天增强图像。文中不同环境下增强图像的视觉效果和客观评价指标表明,新提出的算法提高了图像对比度,更好的还原了色彩信息,为司机和后续计算提供了清晰图像。（2）提出一种基于最亮点区域增长的铁轨区域提取算法,结合铁轨历史方向趋势曲线,得到调车机车行人侵限的危险区域。基于坐标系转换建立图像中像素高度与距离间的关系模型;再将图像消失点以下的部分按比例划分为近距离和远距离区域;近距离区域中采用渐进概率Hough变换来检测直线铁轨,远距离区域中使用最亮点区域生长算法提取直线或者曲线铁轨;最终使用历史方向曲线提高远距离区域铁轨和道岔检测精度。采用新算法对不同条件下实际采集的铁轨区域视频图像进行处理,与现有技术相比,该算法能更为准确、快速、有效地检测铁轨区域。（3）提出了可见光和红外融合的行人侵限检测算法。可见光图像中,针对远距离缺失信息问题,提出基于改进卷积神经网络的行人侵限检测算法。该算法以浅层的边缘特征结合灰度图像作为卷积神经网络的输入,并将交叉熵与学习率结合,提高训练速度。红外图像中,使用改进的图像显着性检测算法提取出红外的关键区域;应用质心重定位的滑窗算法快速定位高亮区域;再采用Zernike矩判断图像的对称性和与行人特征的相似性;最终使用可见光卷积神经网络模型做最终的判定。基于消失点、轨道线和Harris角点的位置对可见光图像和红外图像进行配准。文中采用通用行人数据集和铁轨区域行人数据集验证了提出的算法,该算法能够有效提升铁轨区域远距离行人侵限检测的准确率。（4）提出了一套基于双目视觉的优化装货控制方案,采用分数阶PIλDμ跟随速度曲线,提升调车机车作业效率。在分析调车机车低恒速装货作业系统特点基础上,提出使用光流法判断低恒速作业状态,以双目视觉三维重建算法分析堆料分布,得到优化速度指导曲线;再参考内燃机车牵引特性建立简化调车机车的运动模型;最后使用遗传算法整定分数阶PIλDμ控制器参数,并使用该控制器跟随速度。新方案将司机从频繁的档位控制中解放出来,基于双目视觉调控调车机车速度的方法节省了装货中的平料操作,提升了调车机车作业效率和准确性;所采用的分数阶PIλDμ优于传统算法,实现了更优的速度跟随和稳定性。
姜雨含[3]（2019）在《毫米波雷达和机器视觉融合的前方车辆检测与跟踪算法研究》文中提出随着汽车技术的发展以及快节奏生活的到来,汽车在人们生活中占据着越来越重要的地位,汽车带来的交通事故也让人们对汽车安全愈加重视。环境感知技术使用车载传感器采集和处理车辆周边环境信息,为车辆系统和驾驶员提供可靠的决策和控制依据,是汽车高级驾驶辅助系统（ADAS系统）的核心技术。识别准确率高、实时性好的的前方车辆检测技术可以为ADAS系统提供有效的环境感知信息,对提高汽车的驾驶安全性、改善驾驶环境有着重要意义。因此,本文以ADAS系统中道路环境感知技术为研究对象,研究基于毫米波雷达和机器视觉的前方车辆检测和跟踪方法,并建立雷达与视觉的信息融合检测方法,实现准确、实时的前方车辆检测。本文的主要研究内容如下:（1）基于毫米波雷达的车辆检测和跟踪。首先对雷达数据进行预处理,通过滤掉空目标,设置相对车速和车道范围阈值,初选出有效车辆目标。提出一种多目标跟踪算法,该算法框架融合无迹卡尔曼滤波算法,考虑多目标的数据关联和航迹管理,并采用该跟踪算法对有效车辆目标进行持续跟踪。（2）基于机器视觉的车辆检测和跟踪。首先基于车底阴影和尾部对称性特征提出一种基于图像特征的车辆检测算法,用于快速生成车辆假设区域;然后基于Haar-like特征,用Adaboost算法训练大量正负样本得到车辆分类器,用于对车辆假设区域进行验证,识别出有效的车辆目标;采用核相关滤波算法对有效车辆目标持续跟踪,提高算法的鲁棒性和识别准确率,降低漏检和误检。（3）基于毫米波雷达和机器视觉的信息融合。建立毫米波雷达和机器视觉的信息融合算法框架,通过相机标定、坐标系转换以及统一传感器采样时刻,实现毫米波雷达和机器视觉在空间和时间上的信息融合。本文基于VS 2015 C++平台和OpenCV算法库搭建毫米波和机器视觉的信息融合车辆检测算法,采集实验数据对算法进行验证。结果表明,在日间光照条件良好、结构化道路的环境条件下,本文算法能够满足对前方车辆目标检测和识别的需求,具有较好的环境适应性,为车辆ADAS系统提供准确、有效的道路环境信息。
陈嘉颖[4]（2019）在《无人驾驶条件下沥青路面纹理识别和制动策略研究》文中研究表明无人驾驶汽车因其具有驾驶行为可感知、缓解交通压力、减少能源消耗、减少交通事故等优势,使交通安全问题得到改善,将是未来道路上行驶车辆的主流形式。然而,无人驾驶汽车制动模型忽略了路面的影响因素,未考虑晴天、雨天不同路况下的沥青路面纹理情况对行车制动安全性的影响。路面的纹理特性与路面抗滑性能存在直接联系,良好的路面抗滑性能能够为高速行驶的车辆提供充足的摩擦力,保证车辆行驶过程中的安全性、舒适性。此外,典型的路表纹理测量方法与表征参数是对路表纹理水平的均衡化,无法体现粗糙沥青路表纹理的分形特性,测量效率较低且存在不可控的纹理信息损失的情况。鉴于此,本文结合无人驾驶车辆的技术特性及感应需求,研究沥青路面表面纹理识别方法及无人驾驶车辆的制动方式,为无人驾驶汽车制动策略选择提供理论指导。基于近景摄影测量技术的基本原理,本文首先提出了自动化近景摄影测量系统（Automatic close range photogrammetry system,ACRP system）,同时搭建实体近景摄影测量硬件平台,实现自动化沥青路面表面纹理图像实时采集,并运用MATLAB/Python混合编程完成ACRP软件模块,实现了沥青路面图像自动化预处理,基于VisualSFM开源框架进一步编程实现沥青路面表面纹理形貌的逆向重建,生成了反映路表实际纹理细节的沥青路面3D模型。由于路面模型初步重建过程中会存在毛刺、孔洞等缺陷,需要进一步预处理以提高路面三维重建的精度。阐述了沥青路面表面纹理形貌3D模型的细化处理方法,在获取的沥青路面3D模型基础上,开发了沥青路面表面纹理的三维坐标点数据可视化和纹理参数运算的ACRP软件模块,编写了沥青路面平均构造深度MTD值的计算子程序。运用GeoMagic、MeshLab三维模型处理软件,对逆向重建的沥青路面表面纹理3D模型进行纹理模型预处理,获取精确的沥青路面表面纹理的三维坐标点数据。然后,选择均方根粗糙度RMSR与平均构造深度MTD值作为评价指标,通过现场铺沙法和激光扫描仪法对比验证了所建立的纹理参数提取方法的有效性和准确性,为后文路表摩擦系数求解提供了基础。考虑潮湿条件下,路面由于水膜存在阻隔使路表功率谱密度发生变化,需要考虑潮湿路况下路表纹理特性。首先,介绍了雨天沥青路面表面水膜的形成机理,总结了雨天沥青路面水膜的形成过程和水膜厚度的影响因素,并采用硬件设备实现沥青路表水膜厚度的实时获取。其次,基于分形理论的Persson摩擦理论模型,采用Python编程计算路面功率谱密度曲线,针对传统功率谱计算方法不适用与潮湿路面的不足,提出“抗滑无贡献区域”的概念,获得了干燥和潮湿情况下轮胎-路面的动摩擦系数曲线,然后,采用DFT旋转摩擦测试仪验证了摩擦系数理论求解的准确性。最后,对比了无人驾驶车辆和传统车辆在制动原理上的差异,总结了无人驾驶车辆所面临的各种制动情景。基于以上获取的摩擦系数曲线,在Simulink中基于无人驾驶车辆的制动原理,创建了无人驾驶车辆的制动模型。采用CarSim/Simulink对潮湿、干燥路面不同情景下（紧急制动与拥堵路段制动）的无人驾驶车辆的制动进行联合仿真,针对性地提出来不同工况下的无人驾驶车辆制动策略。针对紧急制动工况,需要重点考虑制动安全性。针对拥堵路段制动情景,提出了“温和制动”的制动策略,该制动充分考虑乘客舒适性。结果表明:无人驾驶车辆应配备专业的短距雷达、长距雷达、高清摄像头,来检测车辆行进路线上的环境,长距雷达的有效距离应超过150m;阴雨天视距降低并且雨天情况下的紧急制动距离超过晴天情况下的45%左右,应放缓车速并保持车距;在车距较大的情况下识别到危险需要紧急制动时,建议先以中间档制动力（46MPa）进行制动;无人驾驶车辆在潮湿路面或者干燥路面行驶过程应满足一定的安全车距（安全车距取晴、雨天仿真安全制动距离平均值的1.11.2倍）。所以,为了确保不同路面条件下无人驾驶车辆制动安全性,无人驾驶制动模型中需要考虑路表纹理特性的影响。
毛立栋[5]（2018）在《货车ETC系统中的尺寸超限检测技术研究》文中进行了进一步梳理货车超载超限不仅严重破坏公路基础设施,还给公路和桥梁带来严重危害,降低公路使用寿命,威胁交通安全,极易引发交通事故。为有效抑制超载超限现象的发生,已在高速公路、国道的重要关卡处设置了货车超载超限检测站,但货车超限检测技术还处于初期阶段,其技术有待在无接触、自动化方向发展。因此,分析多种检测技术的测量机理,设计合理的动态检测方案,研发系统软件和硬件,以期实现实时、动态、无接触的货车外廓尺寸检测目的,促进ETC系统的超限检测技术发展。围绕该问题,开展了以下工作:（1）研究了机器视觉与激光传感技术,构建了货车外廓极值检测方案。（2）针对大型超长货车采用传统检测方法不易测量的问题,重点研究了货车车身的全景图像拼接技术,以及基于双目视觉技术的像平面车身图像尺寸测算模型。（3）结合（1）、（2）的研究成果,设计实现了货车外廓极值检测硬件子系统和软件子系统;并开展了相关实验测试工作,检验了货车外廓极值检测系统的精度,分析了影响系统精度的主要因素。
刘景乐[6]（2018）在《麻昭高速公路长大下坡路段交通事故特征判别和安全对策》文中研究说明随着国家高速公路网“71118”工程的实施,高速公路不断向山区延伸。受地形、地貌等因素限制,山区高速公路连续长大下坡路段的出现不可避免,由于该路段线形条件较一般路段差,驾驶员面临的行车安全形势非常严峻。深入分析、研究连续长大下坡路段的行车安全影响因素和交通事故分布特征,准确识别该路段的事故多发位置,并提出降低事故率和事故严重程度的安全对策,对提高山区高速公路的行车安全性无疑具有重要的理论和实际价值。本文以云南麻昭高速公路47km连续长大下坡路段为研究对象,基于该路段20162017近两年的交通事故、交通量等数据,对其事故特征与安全对策进行研究。首先,根据全国各省、直辖市的高速公路交通事故数据,综合考虑年公里百万车事故起数、年公里百万车死亡人数、年公里百万车受伤人数、年公里财产损失等四项指标与安全度的关系,探索建立高速公路运营安全水平的负指数评估模型,并依据该模型评价了麻昭高速公路连续长大下坡段的行车运营安全水平;然后,在从人、车、路、环境等四个角度分析事故影响因素的基础上,对交通事故的时间、空间、车辆类型、天气类型、形态分布等特性进行了系统、深入分析;其次,在对比国内外事故多发位置鉴别方法优缺点、适用性的基础上,采用主成分分析法将各路段单元上的事故起数、受伤人数、死亡人数、受损车辆数等四项指标转化为一个综合安全评价指标—F值,再运用聚类分析法对各路段单元的F值进行聚类,进而得到了各类路段的危险程度排序。最后,从运行速度协调性、货车刹车毂温升规律、人眼明暗适应舒适性等方面分析了事故的诱因,并从速度控制、避险车道设置、交通安全管理、隧道洞口减光构造物、行车视距等方面提出了对策。
王富斌[7]（2018）在《基于鱼眼视觉的载重货车倒车环境感知及速度控制研究》文中提出随着载重货车成为中国公路运输及物流业的主要运输工具,其引起的交通事故问题也日益突出。由于载重货车体积较大、驾驶室位置较高、后视镜视野受限等原因,在直线倒车和右转弯倒车时存在视觉盲区,使得驾驶员无法充分观察和掌握车辆周围的道路环境信息,容易发生倒车事故。在此背景下,本论文结合载重货车倒车安全的实际需求,围绕倒车环境感知以及倒车速度控制展开研究,提出一种基于鱼眼视觉的载重货车倒车环境感知及速度控制方法。论文主要研究工作如下:首先,本文采用具有180°视场角的鱼眼镜头感知载重货车倒车环境信息,并详细分析鱼眼视觉图像预处理过程。本文提出一种基于椭圆的标定方法计算鱼眼镜头参数,利用经度坐标校正算法将畸变的鱼眼图像校正为正常图像,并通过提取鱼眼图像的有效区域改善校正效果。其次,基于校正后的鱼眼图像,本文采用HOG和SVM对鱼眼图像中的行人进行检测和识别。对CMT跟踪算法进行优化,选择最优的目标特征提取算子和二进制描述符,提高算法跟踪速度,对载重货车倒车盲区内的障碍物进行实时跟踪。然后,本文提出一种载重货车右转弯盲区障碍物检测及碰撞预警方法,根据载重货车右转弯时产生的最大内轮差确定转弯危险区域,利用粒子滤波算法跟踪危险区域内的障碍物,融合低秩表示提高跟踪速度,结合目标跟踪结果和障碍物距离提醒驾驶员和行人注意保持安全距离。最后,本文提出一种载重货车倒车速度安全控制模型,对载重货车倒车速度进行仿真分析。通过分析不同情况下的速度-距离特性曲线,得出本文提出的载重货车倒车安全速度控制方法具有一定可行性的结论。
王晓红[8]（2016）在《基于远红外影像分析的轮毂过热检测》文中指出轮胎是汽车的重要组成部分,承担着整个汽车的重量。轮胎长时间与地面摩擦,会造成温度过高而导致轮胎损坏、爆胎,尤其在具有长大下坡的山区高速公路段,轮胎过热极易发生车体自燃,从而造成严重交通拥堵,因此及时检测车辆轮胎轮毂的温度尤为重要。目前检测主要以接触式传感器和红外测温仪为主,其安装量大且准确率低,且当温度异常时,驾驶员往往会忽视车内提示的异常信息,难以及时对轮胎降温。因此外界利用图像处理技术检测轮胎轮毂是否过热,对异常车辆及时预警以便采取降温措施,具有重要意义。本文对红外图像进行分析,有效地将轮胎轮毂区域分割出来,并提取轮胎区域多种特征,利用分类器对车辆轮胎轮毂过热与否进行判别。该方法不易受到外界干扰,能及时发现异常车辆并采取措施,减少人员伤亡和财产损失。主要研究内容如下:首先,介绍了车辆轮胎轮毂温度检测的背景、现状及研究意义。轮胎轮毂过热与否的识别过程分为三部分,目标区域分割、特征提取和分类识别。本文主要对特征提取方法进行研究,并从全局和局部两个方面分别介绍了特征提取方法的基本概念和发展现状。在此基础上,对多特征融合方法进行了阐述。其次,详细介绍了方向梯度直方图（Histogram of Oriented Gradient,HOG）、局部二值模式（Local Binary Patterns,LBP）特征提取方法的概念及步骤。本文根据红外热像仪采集的红外图像中轮胎轮毂温度与亮度间的关系,提出散射状亮度差（Scattering Brightness Difference Descriptor,SBDD）特征提取方法,经过提取目标区域不同位置的亮度特征与其他特征融合有效地对轮胎轮毂过热与否进行识别。最后详细介绍支持向量机的增量学习算法,并提出多特征融合的轮胎轮毂过热与否判定模型。再次,在轮胎轮毂过热与否识别过程中,首先采用前景提取方法提取车辆轮胎图像帧,接着对提取出来的图像帧进行预处理,包括轮胎轮毂目标区域的提取和分割等。随后提取轮胎图像的HOG特征、LBP特征及SBDD特征,其中为了减少HOG特征的冗余信息采用主成分分析法对特征向量进行降维。多特征归一化后串联得到最终特征向量,利用增量支持向量机对轮胎轮毂图像是否过热进行判别。最后,本文进行了大量实验,结果表明提出的SBDD特征可以很好地表达轮胎热度信息,同时将其与HOG和LBP特征融合后,有效地提高了轮胎轮毂是否过热识别性能。
易倩[9]（2016）在《基于交通视频图像处理的车型识别技术的研究》文中认为如今国家大力发展智慧城市,使人们工作、学习和生活变得越来越智能化,交通作为人们日常生活的重要组成部分,急切地需要借助科技手段来帮助更好的管理和减少交通事故的发生。车辆是交通系统的主要元素,对车辆的管理能够很好地带动整个交通系统的管理,车型识别作为其中一个重要的分支也拥有非常丰富的应用价值,它在各种交通管理系统中都有非常广泛的应用,然而由于车辆和交通场景的复杂性,车型的识别技术还未在实际中取得良好的效果和突破,因此本文就车型的识别问题展开了研究。运动车辆检测,考虑到复杂交通场景下多因素干扰的特点,以视频图像像素点为建模对象,给出了一种基于混合高斯算法的复杂交通场景下运动目标车辆检测模型,并通过选取多维模型描述目标背景以增加车辆检测模型的可靠性。同时针对车辆在运动过程中产生的运动阴影问题,给出了一种基于颜色空间转换的车辆运动阴影抑制方法,考虑到背景模型中的其他微小干扰噪声,给出了一种基于图像最大连通域为原则的干扰噪声抑制方法,从而确保车辆提取的精确性与完整性,最后以广州市五山路的交通视频为实验数据验证了该方法的有效性。车辆特征提取,针对车辆灰度投影在水平、垂直方向上的分布特点,提出了一种车辆后视镜坐标定位方法,并根据车辆后视镜坐标给出了车辆脸部坐标定位方法,从而完成车脸分割。利用分割后的车脸,给出了一种基于结构森林的车脸边缘检测方法,同时提取车脸的HOG特征,并在两种特征的基础上实现特征拼接,最终以不同的特征实现车型识别。该算法对车型能够做出有效地识别,能够适应各种车辆角度的变化,具有良好的鲁棒性。车型的分类,本文对提取的不同特征进行了进一步处理,基于PCA算法实现SE边缘检测和HOG特征的四种有效融合,给出了一种基于支持向量机分类器的车型分类方法。为了适应样本数据分布不均匀的情况,给出了一种综合AdaBoost迭代算法与SVM支持向量机的AdaBoost-SVM级联组合分类器,通过对样本的不断训练和迭代得到若干基分类器,加权组合成最终的强分类器,该分类器融合了两种算法的优势,不仅能够克服维数和局部最小的问题,而且具有较高的精确度和稳定性。本文最后选取标准的BIT-车型识别数据库进行实验,验证了算法的有效性。
陈家哲[10]（2015）在《基于DM6437车道线检测系统的研究》文中认为随着社会经济和科技飞速发展,人们的收入和生活水平也得以提高。在这个信息发展的时代,人们越来越重视”时间”这一概念,节省时间也成为人们重点考虑的问题,因此,人们对便利的交通环境要求日益增长,从而汽车保有量则会大大增长,直接导致道路交通安全问题变得十分严峻,因此,人们越来越重视道路交通的安全问题。随着计算机视觉技术的发展,通过计算机视觉技术来提高道路交通安全水平已经成为世界各国积极研究的重要内容之一。车道线检测系统作为智能预警系统的基础,为车辆驾驶安全系统提供了重要的保证。本文硬件开发平台以瑞泰创新公司研发的ICETEK-DM6437-A4板卡为核心,采用以SONY Super HAD型号的图像传感器的大华DH-CA-F48-E型枪机摄像机作为图像采集的输入端,利用图像处理技术,通过DSP软件开发平台CCS进行车道线检测与识别的算法编写与研究。主要工作如下:首先,介绍了车道线检测系统所需的硬件平台TMS320DM6437、软件开发工具CCS以及基于硬件平台算法优化方法。其次,介绍了图像预处理部分。为了提高车道线检测算法的效率,需要对采集来的道路图像进行预处理,通过对比高斯滤波、中值滤波以及均值滤波的处理效果,选择高斯滤波作为本文的图像去噪算法,为了减少与目标无关的数据,对图像有效区域进行了选择,为了增强图像中车道线和背景之间的对比度,利用直方图均衡化的方法将图像中较集中的灰度等级进行均衡拉伸。在边缘提取阶段,对比六种检测算子对结构化道路图像中车道线边缘的检测的效果,本文选择了高斯拉普拉斯算子对图像中物体边缘进行检测。最后,基于硬件平台利用最小二乘法和传统Hough变换实现对结构化道路中车道线的提取,当存在干扰时,最小二乘法拟合车道线的结果产生较大的偏差,虽然利用传统Hough变换实现对车道线进行提取的效果较好,但是算法计算量偏大,导致实时性很差,为了改善其实时性,通过限定车道线的极角极径的搜索范围,滤去无用的数据信息,减少了计算所需的数据量。通过实验,改进的Hough变换算法的实时性得以提高,但还是达不到车载设别实时性的要求,故提出基于Gabor变换和初始化搜索区域的检测算法,利用Opencv对算法进行编写,实现对结构化道路中的车道线的检测,通过实验证实该算法的实时性以达到车载设备的要求。
二、基于亮度差和纹理的货车类型的识别（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、基于亮度差和纹理的货车类型的识别（论文提纲范文）
（1）基于深度学习的货车盲区障碍目标检测算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 汽车盲区监测系统研究现状 |
| 1.2.2 传统目标检测研究现状 |
| 1.2.3 基于深度学习的目标检测 |
| 1.3 本文主要研究内容 |
| 第2章 货车盲区分析及障碍目标测距模型构建 |
| 2.1 货车盲区分析 |
| 2.2 盲区危险距离 |
| 2.2.1 右转弯盲区危险距离 |
| 2.2.2 倒车盲区危险距离 |
| 2.3 相机模型建立与标定 |
| 2.3.1 相机模型 |
| 2.3.2 坐标系转换 |
| 2.3.3 透镜畸变 |
| 2.3.4 基于张氏标定法的相机标定 |
| 2.4 障碍目标距离测量 |
| 2.5 本章小结 |
| 第3章 基于深度学习的盲区障碍目标检测 |
| 3.1 卷积神经网络结构与特点 |
| 3.2 YOLOv3算法原理 |
| 3.2.1 候选区域 |
| 3.2.2 CNN特征提取 |
| 3.2.3 损失函数 |
| 3.2.4 多尺度检测 |
| 3.3 数据集的准备 |
| 3.3.1 数据集选取 |
| 3.3.2 数据集的制作 |
| 3.4 训练与检测结果分析 |
| 3.4.1 基于YOLOv3的迁移学习训练 |
| 3.4.2 训练细节与参数配置 |
| 3.4.3 检测结果分析 |
| 3.5 本章小结 |
| 第4章 夜间增强与YOLOv3模型压缩 |
| 4.1 基于V通道亮度均值的夜晚判断 |
| 4.1.1 色彩空间 |
| 4.1.2 夜晚判断 |
| 4.2 夜间图像增强 |
| 4.2.1 限制对比度自适应直方图均衡化 |
| 4.2.2 Laplace变换 |
| 4.2.3 对数变换 |
| 4.2.4 Gamma变换 |
| 4.2.5 增强算法效果对比 |
| 4.3 卷积神经网络压缩方法 |
| 4.3.1 知识蒸馏 |
| 4.3.2 低秩分解 |
| 4.3.3 量化 |
| 4.3.4 剪枝 |
| 4.4 基于通道剪枝的YOLOv3算法改进 |
| 4.4.1 通道剪枝 |
| 4.4.2 YOLO_CS实现与评估 |
| 4.5 本章小结 |
| 第5章 货车盲区障碍目标检测算法实验验证 |
| 5.1 实验环境介绍 |
| 5.2 白天障碍目标检测实验 |
| 5.2.1 实验过程 |
| 5.2.2 实验结果分析 |
| 5.3 夜晚障碍目标检测实验 |
| 5.3.1 实验过程 |
| 5.3.2 实验结果分析 |
| 5.4 货车盲区障碍目标检测与危险判别模型 |
| 5.4.1 纵横向距离测量实验 |
| 5.4.2 模型整合 |
| 5.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
（2）基于机器视觉的调车机车辅助驾驶的研究（论文提纲范文）
| 致谢 |
| 中文摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.2.1 理论意义 |
| 1.2.2 现实意义 |
| 1.3 国内外研究现状 |
| 1.3.1 图像增强研究现状 |
| 1.3.1.1 雾天图像增强现状 |
| 1.3.1.2 夜晚图像增强现状 |
| 1.3.1.3 雨天图像增强现状 |
| 1.3.2 铁轨检测研究现状 |
| 1.3.3 行人侵限检测现状 |
| 1.3.4 驾驶控制研究现状 |
| 1.4 调车机车作业特点及辅助驾驶需求 |
| 1.5 本文的研究思路 |
| 1.6 论文研究内容及组织结构 |
| 2 调车机车监控图像预处理增强技术研究 |
| 2.1 调车机车雾天监控图像增强技术 |
| 2.1.1 铁路站场和工矿路段雾天图像特点 |
| 2.1.2 Retinex算法基本理论 |
| 2.1.3 改进型Retinex算法 |
| 2.1.3.1 Retinex中心滤波算法改进 |
| 2.1.3.2 颜色恢复算法改进 |
| 2.1.4 实验结果及分析 |
| 2.2 调车机车夜晚监控图像增强技术 |
| 2.2.1 铁路站场和工矿路段夜晚图像特点 |
| 2.2.2 基于暗通道先验算法和多颜色空间信息的增强算法 |
| 2.2.2.1 暗通道先验算法基本理论 |
| 2.2.2.2 光源区域局部处理 |
| 2.2.2.3 基于对应白天图像指导偏色消除 |
| 2.2.3 实验结果及分析 |
| 2.3 调车机车雨天监控图像增强技术 |
| 2.3.1 铁路站场和工矿路段雨天图像特点 |
| 2.3.2 基于频域的去雨算法 |
| 2.3.2.1 基于频域的雨痕定位 |
| 2.3.2.2 分数阶傅里叶变换原理 |
| 2.3.2.3 雨痕区域滤波处理 |
| 2.3.3 实验结果及分析 |
| 2.4 本章小结 |
| 3 调车机车铁轨检测研究 |
| 3.1 铁轨区域图像特点分析 |
| 3.1.1 铁轨区域的特点与处理目标 |
| 3.1.2 铁轨检测与公路交通标线检测关系 |
| 3.2 调车机车图像距离定位 |
| 3.2.1 视觉坐标系转换简介 |
| 3.2.2 调车机车监控图像距离信息的量化模型 |
| 3.3 调车机车铁轨检测算法 |
| 3.3.1 近距离区域铁轨检测 |
| 3.3.2 远距离区域铁轨检测 |
| 3.3.2.1 最亮点区域增长算法 |
| 3.3.2.2 远距离铁轨检测效果 |
| 3.3.3 历史信息预测铁轨区域 |
| 3.4 铁轨检测实验结果及分析 |
| 3.5 本章小结 |
| 4 调车机车基于多光谱行人侵限检测算法研究 |
| 4.1 行人侵限检测理论分析 |
| 4.1.1 行人侵限危险区域选定 |
| 4.1.2 调车机车行人侵限检测分析 |
| 4.1.3 检测模型的迁移学习理论 |
| 4.2 调车机车远距离行人侵限检测算法研究 |
| 4.2.1 远距离行人侵限算法基本理论 |
| 4.2.1.1 调车机车远距离行人特征 |
| 4.2.1.2 行人检测算法 |
| 4.2.1.3 卷积神经网络 |
| 4.2.2 结合边缘信息的深度学习算法 |
| 4.2.2.1 深度学习网络设计 |
| 4.2.2.2 调车机车远距离行人侵限检测 |
| 4.2.3 算法验证和实验结果 |
| 4.2.3.1 实验环境与模型评价方法 |
| 4.2.3.2 远距离行人检测结果验证 |
| 4.2.3.3 调车机车远距离行人侵限检测结果 |
| 4.3 调车机车前方红外图像行人侵限检测 |
| 4.3.1 红外图像行人特征 |
| 4.3.2 红外图像行人侵限检测算法 |
| 4.3.2.1 红外显着性算法 |
| 4.3.2.2 Zernike矩在红外行人检测中的应用 |
| 4.3.2.3 多级特征行人检测算法 |
| 4.3.3 调车机车红外与可见光图像配准研究 |
| 4.3.4 算法验证和实验结果 |
| 4.3.4.1 显着性检测结果 |
| 4.3.4.2 行人检测结果 |
| 4.3.4.3 红外和可见光图像配准结果 |
| 4.4 本章小结 |
| 5 基于视觉的调车机车优化驾驶方案研究 |
| 5.1 基于视觉的优化调车机车装货控制方案 |
| 5.1.1 低恒速作业及控制模型 |
| 5.1.2 双目视觉三维重建堆料检测 |
| 5.1.2.1 双目视觉三维重建过程 |
| 5.1.2.2 堆料装货控制方案 |
| 5.1.3 基于光流法的调车机车装货状态判断 |
| 5.2 基于分数阶PID控制器的调车机车优化驾驶研究 |
| 5.2.1 调车机车运动模型 |
| 5.2.2 分数阶PID优化控制算法 |
| 5.2.2.1 分数阶PID算法 |
| 5.2.2.2 分数阶PID控制器实现 |
| 5.3 实验结果及分析 |
| 5.3.1 运动模型及分数阶PID控制算法结果 |
| 5.3.2 调车机车低恒速装货方案控制结果 |
| 5.4 调车机车辅助驾驶系统方案说明 |
| 5.4.1 嵌入式平台介绍 |
| 5.4.2 算法可移植性验证 |
| 5.4.3 调车机车行人侵限响应系统介绍 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 论文的主要结论 |
| 6.2 论文的创新性 |
| 6.3 待开展工作 |
| 参考文献 |
| 作者简历 |
| 发表论文列表 |
| 学位论文数据集 |
（3）毫米波雷达和机器视觉融合的前方车辆检测与跟踪算法研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于毫米波雷达的前方车辆检测与跟踪方法 |
| 1.2.2 基于机器视觉的前方车辆检测与跟踪方法 |
| 1.2.3 基于多传感器融合的车辆识别 |
| 1.3 论文主要研究工作 |
| 2 基于毫米波雷达的车辆检测与跟踪 |
| 2.1 毫米波雷达工作原理 |
| 2.2 毫米波雷达选型与数据解析 |
| 2.3 毫米波雷达数据预处理 |
| 2.3.1 空目标滤波 |
| 2.3.2 相对车速滤波 |
| 2.3.3 车道范围滤波 |
| 2.4 车辆目标跟踪算法 |
| 2.4.1 多目标跟踪算法框架 |
| 2.4.2 多目标跟踪算法 |
| 2.4.3 算法验证 |
| 2.5 本章小结 |
| 3 基于机器视觉的车辆目标检测与跟踪 |
| 3.1 基于图像特征的车辆检测算法 |
| 3.1.1 图像预处理 |
| 3.1.2 生成车辆ROI区域 |
| 3.1.3 车辆存在性判断 |
| 3.1.4 基于图像特征的车辆检测算法验证 |
| 3.2 基于Haar-like+Adaboost车辆检测算法 |
| 3.2.1 Haar-like矩形特征 |
| 3.2.2 Adaboost算法原理 |
| 3.2.3 基于OpenCV的检测算法实现 |
| 3.3 核相关滤波跟踪算法 |
| 3.3.1 核相关滤波跟踪算法原理 |
| 3.3.2 结合KCF跟踪算法的车辆检测方法 |
| 3.3.3 跟踪算法验证 |
| 3.4 本章小结 |
| 4 基于毫米波雷达与机器视觉的信息融合算法研究 |
| 4.1 多传感器信息空间融合 |
| 4.1.1 毫米波雷达坐标系与世界坐标系转换 |
| 4.1.2 世界坐标系与摄像机坐标系转换 |
| 4.2 摄像机选型与标定 |
| 4.2.1 摄像机传感器的选型 |
| 4.2.2 相机标定 |
| 4.3 多传感器信息时间融合 |
| 4.4 基于雷达与机器视觉的信息融合算法研究 |
| 4.4.1 雷达投影ROI区域 |
| 4.4.2 融合算法机器视觉检测区域分割 |
| 4.4.3 视觉与雷达信息融合的关联算法 |
| 4.5 信息融合算法验证 |
| 4.6 本章小结 |
| 5 总结与展望 |
| 5.1 全文总结 |
| 5.2 工作展望 |
| 参考文献 |
| 附录 |
| A 作者在攻读学位期间发表的专利 |
| B 作者在攻读学位期间发表的论文 |
| C 作者在攻读学位期间参与的科研项目 |
| D 学位论文数据集 |
| 致谢 |
（4）无人驾驶条件下沥青路面纹理识别和制动策略研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 无人驾驶技术发展 |
| 1.2.2 沥青路面表面纹理分类与抗滑性能 |
| 1.2.3 沥青路面表面纹理获取与识别方法 |
| 1.2.4 沥青路面表面纹理特征描述方法 |
| 1.2.5 沥青路面表面纹理参数与抗滑性能的关系 |
| 1.2.6 无人驾驶车辆制动稳定性策略 |
| 1.2.7 目前研究不足 |
| 1.3 研究内容与方法 |
| 1.3.1 主要研究内容 |
| 1.3.2 研究技术路线 |
| 第二章 基于CRP技术的沥青路面表面纹理采集平台搭建 |
| 2.1 近景摄影测量基本原理 |
| 2.2 计算机图像处理技术基本数学模型 |
| 2.2.1 图像变形校正 |
| 2.2.2 图像分割 |
| 2.2.3 图像阴影去除 |
| 2.2.4 图像频域滤波降噪 |
| 2.3 沥青路面表面纹理采集平台搭建 |
| 2.3.1 硬件设备组成 |
| 2.3.2 硬件结构 |
| 2.4 沥青路面表面纹理图像采集与3D模型建立 |
| 2.4.1 沥青路面表面纹理2D图像采集 |
| 2.4.2 图像预处理 |
| 2.4.3 沥青路面表面纹理3D点云逆向重建 |
| 2.5 本章小结 |
| 第三章 沥青路面表面纹理信息提取及特征参数计算 |
| 3.1 沥青路面表面纹理参数描述 |
| 3.2 沥青路面表面纹理3D坐标点高程数据获取 |
| 3.2.1 纹理模型平面调平 |
| 3.2.2 纹理模型比例尺调整 |
| 3.2.3 纹理模型细节修正与坐标点数据导出 |
| 3.3 基于MATLAB与 Python混合编程的抗滑评价指标计算模块 |
| 3.3.1 软件模块需求 |
| 3.3.2 沥青路面平均构造深度MTD计算 |
| 3.3.3 软件模块基本工作流程 |
| 3.4 路表纹理水平指标有效性验证 |
| 3.4.1 铺沙法、激光扫描仪(3D-Scanner)试验数据获取 |
| 3.4.2 抗滑评价指标选取 |
| 3.4.3 ACRP系统可靠性验证 |
| 3.4.4 ACRP系统高效性验证 |
| 3.5 本章小结 |
| 第四章 基于沥青路面纹理参数的摩擦系数计算 |
| 4.1 雨天沥青路面水膜形成机理 |
| 4.1.1 沥青路表水膜形成的影响因素 |
| 4.1.2 沥青表面水膜厚度实时获取 |
| 4.2 基于路表纹理分形特性的摩擦理论 |
| 4.2.1 沥青路表纹理分形基本特征 |
| 4.2.2 路表纹理分形维数的计算方法 |
| 4.2.3 基于分形理论的摩擦接触模型 |
| 4.3 沥青路面功率谱及动摩擦系数求解 |
| 4.3.1 干燥条件下沥青路面功率谱计算 |
| 4.3.2 潮湿条件下沥青路面功率谱计算(抗滑无贡献区域) |
| 4.3.3 不同条件下沥青路面动摩擦系数计算 |
| 4.4 基于DFT试验的摩擦系数验证 |
| 4.5 本章小结 |
| 第五章 基于路表纹理识别的无人驾驶车辆制动策略 |
| 5.1 车辆制动基本原理 |
| 5.1.1 传统车辆制动原理 |
| 5.1.2 无人驾驶车辆制动原理 |
| 5.1.3 无人驾驶车辆制动情景 |
| 5.2 基于CarSim多体动力学车-路模型建立 |
| 5.2.1 CarSim多体动力学软件概述 |
| 5.2.2 无人驾驶车辆模型 |
| 5.2.3 路面模型 |
| 5.3 基于CarSim/Simulink联合仿真的无人驾驶车辆制动系统 |
| 5.3.1 车辆期望制动减速度 |
| 5.3.2 无人驾驶车辆制动模型 |
| 5.4 不同情景下无人驾驶车辆制动策略 |
| 5.4.1 拥堵路况的舒适性制动(温和制动) |
| 5.4.2 突发状况的紧急制动(潮湿干燥路面) |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 主要研究成果 |
| 6.2 主要创新点 |
| 6.3 可进行的后续研究 |
| 参考文献 |
| 硕士期间发表的学术论文及专利申请 |
| 致谢 |
（5）货车ETC系统中的尺寸超限检测技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外发展现状 |
| 1.2.1 激光光幕检测技术 |
| 1.2.2 二维激光检测技术 |
| 1.2.3 机器视觉检测技术 |
| 1.3 研究内容 |
| 2 机器视觉检测理论 |
| 2.1 视觉检测模型 |
| 2.2 相机标定 |
| 2.2.1 相机标定方法 |
| 2.2.2 相机模型 |
| 2.2.3 坐标系转换 |
| 2.2.4 参数获取 |
| 2.3 畸变矫正 |
| 2.4 图像拼接 |
| 2.4.1 图像配准 |
| 2.4.2 图像融合 |
| 3 货车外廓极值检测方案设计 |
| 3.1 检测技术选型 |
| 3.2 货车外廓极值检测方案设计 |
| 3.3 机器视觉检测关键技术 |
| 3.3.1 货车全景图像拼接 |
| 3.3.2 货车图像中的外廓极值检测方法 |
| 4 货车外廓极值检测系统设计 |
| 4.1 货车外廓极值检测硬件子系统设计 |
| 4.1.1 龙门架选型与设计 |
| 4.1.2 光幕选型与设计 |
| 4.1.3 相机选型 |
| 4.2 货车外廓极值检测软件子系统设计 |
| 4.2.1 软件子系统功能设计 |
| 4.2.2 图形用户界面设计 |
| 4.3 实验与分析 |
| 5 总结与展望 |
| 参考文献 |
| 研究成果 |
| 致谢 |
（6）麻昭高速公路长大下坡路段交通事故特征判别和安全对策（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 运营安全水平等级评估 |
| 1.2.2 事故影响因素与分布特征 |
| 1.2.3 事故多发位置鉴别 |
| 1.2.4 事故致因分析与保障技术 |
| 1.2.5 研究综述 |
| 1.3 问题的提出 |
| 1.4 主要研究内容和技术路线 |
| 第二章 高速公路长大下坡段运营安全等级评估 |
| 2.1 工程概况 |
| 2.1.1 项目背景及特点 |
| 2.1.2 连续长大下坡段的确定 |
| 2.2 数据的采集 |
| 2.3 运营安全水平等级评估 |
| 2.3.1 评价指标 |
| 2.3.2 评价方法的建立与评价标准 |
| 2.3.3 依托工程运营安全水平的判别 |
| 2.4 小结 |
| 第三章 事故影响因素与分布特征 |
| 3.1 影响因素 |
| 3.1.1 驾驶人条件 |
| 3.1.2 车辆条件 |
| 3.1.3 道路条件 |
| 3.1.4 环境条件 |
| 3.1.5 影响因素量化分析 |
| 3.2 分布特性 |
| 3.2.1 时间分布特性 |
| 3.2.2 空间分布特性 |
| 3.2.3 车辆类型特性 |
| 3.2.4 天气分布特性 |
| 3.2.5 事故形态特性 |
| 3.3 小结 |
| 第四章 事故多发位置鉴别 |
| 4.1 事故多发位置的定义 |
| 4.2 事故多发位置鉴别方法选取 |
| 4.3 基于主成分—聚类分析的事故多发位置鉴别 |
| 4.3.1 主成分—聚类分析理论 |
| 4.3.2 路段划分和冗余事故数据剔除 |
| 4.3.4 麻昭高速连续长大下坡段的事故多发位置鉴别 |
| 4.4 小结 |
| 第五章 事故致因分析与安全对策 |
| 5.1 总体路段 |
| 5.1.1 运行速度分析与速度控制 |
| 5.1.2 制动效能分析与避险技术 |
| 5.1.3 驾驶疲劳分析与越界提醒 |
| 5.1.4 交通安全管理 |
| 5.2 事故黑点路段 |
| 5.2.1 隧道出入口 |
| 5.2.2 立交出口 |
| 5.2.3 较长直下坡接小半径平曲线 |
| 5.3 小结 |
| 结论与展望 |
| 结论 |
| 展望 |
| 参考文献 |
| 附录 |
| 附录1 ：2016年~2017年交通事故原始数据表 |
| 附录2 ：平纵线形表 |
| 附录3 ：2016年~2017年车流量检测器数据表 |
| 附录4 ：隧道入口光照强度数据表 |
| 附录5 ：预测运行速度表 |
| 附录6 ：大货车制动毂温度预测表 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（7）基于鱼眼视觉的载重货车倒车环境感知及速度控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 载重货车发展现状 |
| 1.2.2 基于传感器的倒车主动控制技术研究进展 |
| 1.2.3 载重货车右转弯盲区碰撞预警方法研究现状 |
| 1.3 鱼眼视觉与视频目标检测跟踪关键技术介绍 |
| 1.3.1 鱼眼视觉在倒车环境中的研究介绍 |
| 1.3.2 视频目标检测跟踪技术介绍 |
| 1.4 本文主要研究内容及章节安排 |
| 第2章 鱼眼视觉图像预处理 |
| 2.1 概述 |
| 2.2 鱼眼镜头视觉成像模型 |
| 2.2.1 成像原理 |
| 2.2.2 成像模型 |
| 2.2.3 几何模型 |
| 2.3 基于椭圆的鱼眼镜头标定方法 |
| 2.3.1 传统摄像头标定方法 |
| 2.3.2 基于椭圆的鱼眼镜头标定方法 |
| 2.3.3 标定结果分析 |
| 2.4 鱼眼图像校正方法 |
| 2.4.1 鱼眼图像有效区域提取 |
| 2.4.2 基于经度坐标校正方法 |
| 2.4.3 实验结果及分析 |
| 2.5 本章小结 |
| 第3章 基于改进CMT算法的行人跟踪研究 |
| 3.1 概述 |
| 3.2 鱼眼图像中行人检测识别算法研究 |
| 3.2.1 基于HOG的行人特征提取 |
| 3.2.2 基于SVM分类器的行人识别 |
| 3.2.3 实验结果分析 |
| 3.3 基于改进的CMT跟踪算法的障碍物实时跟踪 |
| 3.3.1 CMT跟踪算法介绍 |
| 3.3.2 CMT跟踪算法跟踪效果 |
| 3.4 本章小结 |
| 第4章 载重货车右转弯盲区障碍物碰撞预警方法 |
| 4.1 概述 |
| 4.2 内轮差与右侧盲区 |
| 4.2.1 内轮差 |
| 4.2.2 右侧盲区 |
| 4.3 内轮差盲区环境感知 |
| 4.3.1 环境感知平台 |
| 4.3.2 感知实验及结果分析 |
| 4.4 车辆右侧盲区目标的识别与跟踪方法 |
| 4.4.1 粒子滤波跟踪框架 |
| 4.4.2 低秩表示算法介绍 |
| 4.4.3 融合低秩表示和粒子滤波的目标跟踪 |
| 4.4.4 目标跟踪实验仿真与分析 |
| 4.5 右转弯碰撞预警方法 |
| 4.6 本章小结 |
| 第5章 载重货车倒车控制仿真分析 |
| 5.1 概述 |
| 5.2 载重货车倒车速度控制方法 |
| 5.3 实验仿真与数据分析 |
| 5.4 本章小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间发表的论文及科研成果 |
（8）基于远红外影像分析的轮毂过热检测（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容与方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.4 文章结构安排 |
| 第二章 特征提取与融合方法综述 |
| 2.1 特征提取方法 |
| 2.1.1 全局特征提取 |
| 2.1.2 局部特征提取 |
| 2.1.3 特征提取方法比较 |
| 2.2 特征的融合方法 |
| 2.2.1 底层特征融合 |
| 2.2.2 中层特征融合 |
| 2.2.3 高层特征融合 |
| 2.3 本章小结 |
| 第三章 轮胎轮毂判别模型的建立 |
| 3.1 引言 |
| 3.2 轮胎轮毂的特征提取及融合 |
| 3.2.1 方向梯度直方图HOG |
| 3.2.2 局部二值模式LBP |
| 3.2.3 散射状亮度差描述子SBDD |
| 3.2.4 轮胎轮毂特征的融合 |
| 3.3 轮胎轮毂增量支持向量机判别模型 |
| 3.3.1 SVM支持向量机 |
| 3.3.2 支持向量机增量学习算法 |
| 3.3.3 轮胎轮毂过热与否判别模型 |
| 3.4 本章小结 |
| 第四章 基于在线模型判别的轮毂过热检测 |
| 4.1 视频帧中轮毂区域预处理 |
| 4.1.1 有效帧的提取 |
| 4.1.2 轮胎轮毂图像预处理 |
| 4.2 轮胎轮毂特征的构建 |
| 4.2.1 HOG特征 |
| 4.2.2 LBP特征 |
| 4.2.3 SBDD特征 |
| 4.2.4 特征的融合 |
| 4.3 基于增量支持向量机的轮毂过热检测 |
| 4.4 实验结果与分析 |
| 4.4.1 实验数据来源 |
| 4.4.2 实验过程说明 |
| 4.4.3 实验结果分析 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（9）基于交通视频图像处理的车型识别技术的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 车辆检测技术的发展 |
| 1.2.2 车型识别技术的研究现状 |
| 1.2.3 视频图像法车型识别技术的研究现状 |
| 1.3 论文的主要研究内容及结构安排 |
| 1.4 本章小节 |
| 第二章 交通视频图像的预处理 |
| 2.1 交通视频图像的特点 |
| 2.2 图像增强 |
| 2.2.1 图像灰度化 |
| 2.2.2 直方图均衡化 |
| 2.2.3 锐化空间滤波器 |
| 2.2.4 Retinex增强算法 |
| 2.3 图像噪声处理 |
| 2.3.1 噪声的概述 |
| 2.3.2 均值滤波法 |
| 2.3.3 统计排序滤波法 |
| 2.3.4 小波变换法 |
| 2.4 本章小结 |
| 第三章 运动车辆的检测 |
| 3.1 光流检测法 |
| 3.2 帧间差分法 |
| 3.2.1 两帧差分法 |
| 3.2.2 三帧差分法 |
| 3.3 背景差分法 |
| 3.3.1 序列加权法背景建模 |
| 3.3.2 单高斯背景建模 |
| 3.3.3 混合高斯背景建模 |
| 3.4 基于颜色空间变换的阴影抑制 |
| 3.5 本章小结 |
| 第四章 目标车辆的特征提取 |
| 4.1 基于投影法的车脸分割 |
| 4.2 基于边缘检测的特征提取 |
| 4.2.1 Canny算法介绍 |
| 4.2.2 结构边缘检测算法 |
| 4.3 HOG特征提取 |
| 4.4 组合特征提取 |
| 4.5 本章小节 |
| 第五章 车型分类器实现 |
| 5.1 特征变换及降维处理 |
| 5.2 支持向量机 |
| 5.2.1 线性可分的SVM |
| 5.2.2 非线性可分的C-SVM |
| 5.2.3 核函数映射下的SVM |
| 5.2.4 基于SVM的多分类问题 |
| 5.3 AdaBoost-SVM级联分类器 |
| 5.3.1 AdaBoost理论 |
| 5.3.2 AdaBoost-SVM理论 |
| 5.3.3 多分类扩展 |
| 5.4 实验结果 |
| 5.4.1 实验步骤 |
| 5.4.2 SVM分类结果 |
| 5.4.3 AdaBoost-SVM分类结果 |
| 5.5 本章小结 |
| 第六章 总结及展望 |
| 6.1 研究成果 |
| 6.2 创新成果 |
| 6.3 研究展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| Ⅳ-2答辩委员会对论文的评定意见 |
（10）基于DM6437车道线检测系统的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题的研究背景与意义 |
| 1.2 车道线检测系统的国内外现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文的主要工作和结构 |
| 1.3.1 主要工作 |
| 1.3.2 论文结构安排 |
| 第二章 运动图像的采集 |
| 2.1 图像传感器的选择 |
| 2.2 CCD摄像机的图像采集原理 |
| 2.3 摄像头主要参数 |
| 2.4 本章小结 |
| 第三章 DM6437硬件平台与集成开发环境 |
| 3.1 DM6437硬件开发平台 |
| 3.2 集成开发环境 |
| 3.2.1 集成开发环境CCS |
| 3.2.2 实时操作系统DSP/BIOS |
| 3.3 算法程序优化 |
| 3.4 本章小结 |
| 第四章 实时图像的预处理 |
| 4.1 图像滤波 |
| 4.1.1 高斯滤波 |
| 4.1.2 中值滤波 |
| 4.1.3 均值滤波 |
| 4.2 图像有效区域选择 |
| 4.3 图像灰度直方图均衡化 |
| 4.4 图像边缘检测 |
| 4.4.1 Canny算子边缘检测 |
| 4.4.2 Sobel算子边缘检测 |
| 4.4.3 Prewitt算子边缘检测 |
| 4.4.4 Robert算子边缘检测 |
| 4.4.5 拉氏算子边缘检测 |
| 4.4.6 高斯拉普拉斯算子边缘检测 |
| 4.4.7 边缘检测结果的比较结果 |
| 4.5 本章小结 |
| 第五章 车道线检测算法在DSP上的实现 |
| 5.1 常用的车道线检测方法 |
| 5.1.1 最小二乘法 |
| 5.1.2 Hough变换 |
| 5.2 基于改进的Hough变换检测车道线 |
| 5.3 实验结果 |
| 5.4 本章小结 |
| 第六章 基于Opencv的车道线检测算法 |
| 6.1 MFC框架的简介 |
| 6.2 Opencv的介绍 |
| 6.3 基于结构化道路纹理特征的车道线检测 |
| 6.3.1 消失点的求取 |
| 6.3.2 周围特征点的选取 |
| 6.3.3 车道线预测 |
| 6.4 实验结果分析 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 工作展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
四、基于亮度差和纹理的货车类型的识别（论文参考文献）
- [1]基于深度学习的货车盲区障碍目标检测算法研究[D]. 韦昊. 湖南大学, 2020(07)
- [2]基于机器视觉的调车机车辅助驾驶的研究[D]. 张驰. 北京交通大学, 2019(01)
- [3]毫米波雷达和机器视觉融合的前方车辆检测与跟踪算法研究[D]. 姜雨含. 重庆大学, 2019(01)
- [4]无人驾驶条件下沥青路面纹理识别和制动策略研究[D]. 陈嘉颖. 东南大学, 2019(05)
- [5]货车ETC系统中的尺寸超限检测技术研究[D]. 毛立栋. 西安建筑科技大学, 2018(06)
- [6]麻昭高速公路长大下坡路段交通事故特征判别和安全对策[D]. 刘景乐. 长安大学, 2018(01)
- [7]基于鱼眼视觉的载重货车倒车环境感知及速度控制研究[D]. 王富斌. 西南交通大学, 2018(09)
- [8]基于远红外影像分析的轮毂过热检测[D]. 王晓红. 长安大学, 2016(02)
- [9]基于交通视频图像处理的车型识别技术的研究[D]. 易倩. 华南理工大学, 2016(02)
- [10]基于DM6437车道线检测系统的研究[D]. 陈家哲. 广西科技大学, 2015(08)