导读:本文包含了障碍物识别论文开题报告文献综述及选题提纲参考文献，主要关键词:暗夜,单线激光,单目视觉,特征提取
障碍物识别论文文献综述
龚鹏,林京鹏,胡为,王士康,任赵旭[1]（2019）在《暗夜下基于激光辅助的路面障碍物视觉识别方法》一文中研究指出为了解决现有视觉识别易受天气、时间等因素干扰的问题,通过交互矩阵和投影原理提出了一种暗夜下单线激光辅助的单目视觉识别方法。首先对相机进行标定,并利用交互矩阵建立并描述相机运动与图像特征变化之间的关系。然后利用投影原理进行一般障碍物特征提取和轮廓提取,最后通过试验对算法进行验证。利用激光光线的错位作为障碍物的识别标志,试验结果表明该方法克服了视觉识别对特殊环境适应性差、识别效果不好的问题,得到了比较准确的障碍物轮廓和距离,有效扩大了视觉识别的工作时间范围。(本文来源于《科学技术与工程》期刊2019年32期）
司徒仕忠,邱广萍,王锦春[2]（2019）在《基于深度相机的障碍物识别》一文中研究指出为实现机器视觉系统的障碍物信息进行探测和识别,文章提出利用深度相机识别障碍物的方法:以障碍物和平面的距离变化梯度不同为主要判别方式,搭配孔洞填充,中值滤波,漫水填充,数学形态学运算,帧间运算等噪声抑制算法,实现对障碍物的探测。根据周围环境信息提取具有一定形状特征的典型目标物。实验结果表明,此方法能有效分别障碍物和平面。(本文来源于《科技创新与应用》期刊2019年27期）
王丽珍,刘慧玲,薛小兰[3]（2019）在《基于激光测距传感器的障碍物检测与模式识别》一文中研究指出当前障碍物检测与识别方法中存在检测率低和识别率低的问题,提出基于激光测距传感器的障碍物检测与模式识别方法,构造光学系统设计原理和电气系统结构,提高传感器的测量速度、最近距离和测距范围。在此基础上获取障碍物的相关信息,对采集到的信息进行解析获取障碍物的方位信息,通过坐标系转换得到障碍物的距离信息,根据障碍物边缘拟合获得障碍物的宽度信息,通过最小二乘算法拟合障碍物的边缘,根据拟合结果得到边缘曲线,通过宽度、距离和方位等特征信息对障碍物进行识别。实验结果表明,所提方法的检测率高、识别率高。(本文来源于《激光杂志》期刊2019年08期）
陈锋[4]（2019）在《基于多传感器融合的自动供料车障碍物识别研究》一文中研究指出提出了一种超声波测距传感器和CCD视觉传感器相结合来实现生产车间自动供料车在不确定环境中自主避障的方法。超声波传感器具有很好的测距功能,同时CCD图像传感器能够测出障碍物的边缘,融合了这两种传感技术的自动供料车避障系统,结合了两者的优势,通过测出障碍物的距离和边缘可以确定避碰点,使得供料车能够顺利地避开障碍物。多传感器融合技术实现了信息采集的实时性、有效性,使避障技术更智能、更准确、更快速,比仅仅依靠测距传感器或者仅仅依靠视觉传感器的方法性能都要高。(本文来源于《电脑编程技巧与维护》期刊2019年06期）
王维,梁汝军,黄涛[5]（2019）在《地铁列车障碍物视频识别系统设计》一文中研究指出基于视频图像识别技术的列车障碍物识别系统,可以实现无人驾驶列车前进方向轨道内障碍物的自动检测。该系统通过采用2台独立的高清摄像机采集图像数据,经软件的智能计算分析,可识别列车前方是否存在障碍物,并实现障碍物与车辆之间的距离测量。该技术在业内属首次开发,可实现列车前方障碍物的检测,有效替代司机进行线路了望。目前本系统已通过功能仿真验证测试,拟在实际运行线路的列车上进一步进行功能验证。(本文来源于《城市轨道交通研究》期刊2019年06期）
Razikhova,Meiramgul[6]（2019）在《自动驾驶场景障碍物检测与道路识别》一文中研究指出高速、高精度视觉感知技术是未来无人驾驶的发展的必由之路。深度学习方法在无人驾驶场景视觉检测与识别上有其独特的优势。当前,深度学习理论已经广泛地应用于驾驶环境障碍物和车道线的检测识别与语义分割、行人与车辆意图预测、交通监控、驾驶员状态监测以及多传感器信息融合等领域。在众多的应用领域中,快速、高精度的驾驶环境障碍物检测与识别及道路语义分割是实现未来安全无人驾驶的先决条件。本文首先分别介绍了基于Windows和Ubuntu操作系统的深度学习算法框架搭建,并深入分析了深度学习方法中的各类典型数据集、网络结构和数值优化方法。在此基础上,本文利用Tensorflow深度学习框架,将端到端的YOLOv3算法应用于自动驾驶场景的障碍物检测与识别。不同于区域建议的方法,该方法将目标检测和识别问题归结为回归问题,仅需要使用单一的网络对所获取图像做一次评估就能够获取图像中目标物的边界框和类别。因此,其检测和识别速度较快。然而,该方法相比于区域推荐类方法,也存在一定的弊端。其定位精度较差,且其在目标物较小、目标物相距较近的情况下检测效果较差。实验证明,该算法能准确地识别各类自动驾驶环境中的障碍物,其检测和识别效率依赖于系统的硬件环境。进一步,本文基于KITTI数据集训练端到端的全卷积神经网络VGG16-FCN8,实现了道路像素级的语义分割任务。该算法将VGG网络的全连接层替换为全卷积网络FCN8,从而能将VGG16预测的结果还原成图像。该算法对所辨识图像的大小没有具体尺寸要求。但由于本文未对车载行车记录仪镜头的畸变参数进行标定,所得语义分割结果存在一定噪声。实验结果显示,文中所述的方法能有效地将图像中的道路和非道路像素区分开,算法中选用的Adam数值优化方法能使损失函数快速、光滑的收敛到极小值。本文所介绍的视觉算法都是基于深度卷积神经网络框架,可以有效地支撑无人驾驶场景中的视觉感知和识别技术。然而,无人驾驶的传感系统不仅仅只包含视觉,还有激光雷达、毫米波雷达、GPS、超声波雷达、惯性导航系统等。要想为无人驾驶汽车提供安全的感知系统,需要进一步研究如何利用智能算法融合各类传感器的信息。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
彭琳钰[7]（2019）在《基于卷积神经网络的障碍物识别系统设计》一文中研究指出盲人及视觉障碍者作为弱势群体,在生活中往往会遇到许多常人无法想象的困难。目前盲人出行主要依靠传统的导盲方式,然而城市中的盲道大多由于规划或人为因素存在一定的安全隐患,盲杖的探测范围有限,难以发现悬空突出的危险物体,导盲犬的训练周期长、成本高。这些传统方式具有科技含量低、功能简单、探测局限的缺点,为了使盲人安全、便捷的出行,本文针对智能导盲系统展开了研究。由于传统的机器学习算法需要手工提取大量的特征,训练费时费力,难以满足对目标的实时性检测。随着深度学习技术的发展,卷积神经网络在图像分类等领域展示了其强大的特征学习能力,故本文设计了一种基于卷积神经网络的障碍物识别系统,该研究课题也同样适用于无人驾驶等领域。考虑到系统的导盲功能,本课题涉及了图像处理、计算机视觉、语音合成、TCP/IP通信等技术,研究思路为将双目测距算法与卷积神经网络结合,设计出具有分类、测距功能的障碍物识别系统。本文的主要工作内容如下:首先详细介绍了传统目标检测算法和基于卷积神经网络的目标检测算法原理,分析了传统目标检测算法的缺点,并对几种基于卷积神经网络的主流检测算法进行实验对比和分析,选择了效果相对较好的YOLOv3算法为障碍物识别系统的基础网络。针对YOLOv3在夜间检测任务中漏检和误检较大的问题,在网络数据读取层后增加了基于MSRCR(带色彩恢复的多尺度视网膜增强)算法的数据增广层。网络在VOC2007和VOC2012混合的数据集上预训练,获得初始化权重后,在障碍物数据集上进行微调,采用多尺度训练得到识别模型,并与几种主流目标检测算法在自制障碍物数据集上进行对比实验。实验结果显示,在夜间检测任务中本文算法的mAP比YOLOv3提高了7.4%。其次介绍了本文系统的总体设计方案,采用嵌入式——云服务器的架构实现障碍物识别系统,这种结构能保障系统的实时性及可靠性。系统的设计主要包括两个部分:嵌入式端及云服务器端。嵌入式端采用Raspberry Pi 3 Model B为主控制器,其上搭载的外围模块包括:图像采集及语音播报模块。前端拍摄的图像通过socket通信与云服务器端进行交互,经过云服务器上部署的识别和测距算法处理后,将结果以文本的形式发送回前端,由语音合成芯片处理后播报出来,提醒盲人进行避让。云服务器端采用高性能的GPU及中央处理器,主要用来处理前端采集的图像,获取目标分类及测距结果。另外,本文详细介绍了立体匹配算法的原理,并对双目相机完成了标定和校正实验。最后通过实测验证了障碍物识别系统的可行性及实时性。(本文来源于《贵州大学》期刊2019-06-01）
徐开威[8]（2019）在《基于Modified-ELM算法的输电线路除冰机器人的障碍物识别技术》一文中研究指出电力供应是人民生活和国家运行不可或缺的要素,这就要求输电系统在任何条件下都能可靠地工作。除冰机器人作为一种用于解决输电线路覆冰问题的前沿解决方案,输电线路上安装的悬垂线夹、间隔器、绝缘子等附件会成为其除冰作业的障碍。为了让除冰机器人能够稳定和有效的进行作业,准确地识别出输电线上障碍物的位置,并对其进行分类成为了首要解决的问题。本文调研并分析了输电线路的环境特点、除冰作业要求以及障碍物类型,对常见输电线路器件的安装方式与结构特征进行了分析,总结了输电线障碍物识别问题的难点,针对传统神经网络方法训练效率低下,分类准确度不高,过拟合严重等问题,设计了一套基于Modified-ELM算法的输电线路除冰机器人障碍物识别方案。该方案主要由图像预处理和基于神经网络的障碍物目标定位分类两个部分组成。图像预处理包括了降噪和边缘检测,首先使用BM3D算法对除冰机器人成像系统捕获的原始图像进行降噪,之后以自适应阈值的小波变换算法为基础,得到图像中的物体边缘信息;目标定位分类则通过神经网络和神经网络训练(深度学习)算法完成,构建了一个具有卷积及全连接部分的神经网络结构,在其中引入了Dropout层,结合输电线路障碍物识别问题的要求,定制了各层神经元的个数和连接关系。在图像预处理的问题上,本文讨论了BM3D算法中相似度阈值与DCT变换域中截断阈值对图像降噪效果的影响,并分析了小波边缘检测算法中不同小波函数在不同阈值下的性能;在障碍物目标定位分类问题上,使用遗传算法对神经网络的卷积核进行训练,分析了Hinton的极限学习机算法(ELM),改进了其数学模型,提出了Modified-ELM算法以训练网络中的全连接部分,提高了整个训练过程的收敛速度;最后在模拟的输电线路照片数据集上进行了实验,结果表明本文方案能很好地解决输电线路上的障碍物识别问题,可以取得比几种前沿方法更准确,更稳定的结果,并满足了机器人除冰作业的实时性要求。(本文来源于《南昌大学》期刊2019-05-23）
唐碧波[9]（2019）在《基于激光位移传感器的焊缝跟踪方法和障碍物识别技术研究》一文中研究指出随着现代自动化焊接技术的不断发展与深入推进,传统的制造业升级和转型面临着巨大的机遇和挑战。焊接作为传统制造业中不可或缺的材料加工方法,焊接自动化是焊接行业发展的必然趋势。现代焊接自动化的重点是在于焊缝跟踪的实时处理,因此焊缝跟踪技术是实现现代自动化焊接的重要前提。而焊缝跟踪的重点在于对复杂焊缝曲线轨迹的识别和实时校正,对于随机分布、尺寸及结构多变性的障碍物能实现分类识别及智能规避。本文设计了激光光强控制系统及激光光强自适应驱动电路来自适应于各种板材,分析了自动化焊接过程中焊缝跟踪时出现的六种偏差情况,针对大梁工件上随机分布的流水槽、叁角板、圆形板、加强板等障碍物研究了一种基于贝叶斯轮廓分类的大梁障碍物识别方法。设计激光光强控制系统及激光光强自适应驱动电路来自适应于各种板材。根据激光位移传感器的原理及特征,建立了焊缝跟踪模型,分析了在焊接过程中焊缝出现的中偏右,中偏左,左偏右,左偏左,右偏右,右偏左六种偏差情况,利用激光位移传感器的测量原理及数学方法对焊缝跟踪时出现的六种偏差情况进行了深入研究,并求解出了焊缝跟踪过程中出现的左右偏差及上下偏差值,便能通过执行机构实时及精确地调整焊枪姿态,为智能焊缝跟踪奠定了基础,为自动化焊接提供了新思路。基于焊缝障碍物识别的原理,提出了一种基于贝叶斯轮廓分类的障碍物识别方法。这种方法采用了左右差分差值法预测障碍物并提取障碍物轮廓数据,利用多级面积周长比的轮廓描述函数结合贝叶斯分类对障碍物进行有效分类,建立了贝叶斯轮廓分类的数学模型并用MATLAB软件对障碍物扫描数据进行了仿真分析,最后依据扫描式激光位移传感器对大梁障碍物进行了实例试验,试验表明大梁中四类障碍物测试样本的概率差比都很大且算法分类所需时长完全满足焊接实时性要求,所以提出的基于贝叶斯轮廓分类方法对大梁障碍物预测具有高准确性及实时性。通过激光位移传感器焊缝跟踪的实验平台,验证了上述焊缝跟踪方法的可行性,根据激光传感器跟踪实验效果图得知焊缝成型良好,工作性能稳定,跟踪精度较高,符合自动化焊接过程中跟踪的需求。(本文来源于《湘潭大学》期刊2019-05-01）
王帅[10]（2019）在《基于双目视觉的泊车机器人障碍物识别系统研究》一文中研究指出随着人民生活品质的日益提高和经济的不断发展,汽车保有量呈现井喷式增长,停车难成了日常出行的难题。因此,智能停车库应运而生,作为其核心运载工具的泊车机器人日趋受到人们关注,成为移动机器人领域的全新重点应用。针对目前国内外泊车机器人均采用成本较高的激光传感器,技术难度大,不易于实现与大面积推广的问题,本文采用价格低廉并能够实时获得周围环境信息的视觉传感器取代激光传感器,完成对泊车路径上的障碍物识别。主要的研究工作如下所示。(1)障碍物视觉识别系统搭建。通过研究双目视觉系统原理及数学模型,结合本系统的应用环境,搭建了系统的软、硬件平台。在分析双目视觉系统实现的一般步骤的基础上,设计了本系统的工作流程。(2)基于双目视觉的障碍物识别系统标定和校正。在研究双目相机标定方法的基础上,分析其优缺点,选用张正友棋盘标定法完成相机标定。通过对比分析OpencCV标定方法和Matlab标定方法的优缺点,采用Matlab工具箱进行双目相机标定,引入物理学中的控制变量法对不同标定距离和棋盘规格进行实验和精度分析,以得到较高精度的焦距。最后,采用基于OpenCV的Bouguet算法完成双目立体校正,获得平行且行对准的标准图像对。(3)停车库环境下的立体匹配算法研究。首先介绍了立体匹配算法研究的必要性和存在的问题,将匹配算法和其应用环境联合分析,选择基于特征的匹配算法,并针对传统特征匹配算法SIFT和SURF存在匹配耗时长和对边缘光滑目标特征点提取弱的问题,进行改进研究,设计了一种适用于智能停车库环境下的立体匹配算法。(4)障碍物类别检测研究。由于传统的物体检测算法存在物体检测种类少、准确率低和复杂度高等问题。针对这些问题,引入基于深度学习的YOLO卷积神经网络,实现准确、实时检测障碍物类别。该网络具有较强的扩展性,可根据实际需求训练自己的数据集,以应用到不同场景。实验结果表明,本文设计的无人智能停车库环境下的基于双目视觉的障碍物识别算法在2100mm范围内的平均测距误差在50mm内,障碍物类别检测平均耗时0.096s,系统整体平均耗时0.466s,满足智能车库环境下泊车机器人对障碍物检测的实时性与精度要求,为搭载双目视觉的经济型泊车机器人的研究与应用奠定了基础。(本文来源于《河南科技大学》期刊2019-05-01）
障碍物识别论文开题报告
（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：
为实现机器视觉系统的障碍物信息进行探测和识别,文章提出利用深度相机识别障碍物的方法:以障碍物和平面的距离变化梯度不同为主要判别方式,搭配孔洞填充,中值滤波,漫水填充,数学形态学运算,帧间运算等噪声抑制算法,实现对障碍物的探测。根据周围环境信息提取具有一定形状特征的典型目标物。实验结果表明,此方法能有效分别障碍物和平面。
（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。
障碍物识别论文参考文献
[1].龚鹏,林京鹏,胡为,王士康,任赵旭.暗夜下基于激光辅助的路面障碍物视觉识别方法[J].科学技术与工程.2019
[2].司徒仕忠,邱广萍,王锦春.基于深度相机的障碍物识别[J].科技创新与应用.2019
[3].王丽珍,刘慧玲,薛小兰.基于激光测距传感器的障碍物检测与模式识别[J].激光杂志.2019
[4].陈锋.基于多传感器融合的自动供料车障碍物识别研究[J].电脑编程技巧与维护.2019
[5].王维,梁汝军,黄涛.地铁列车障碍物视频识别系统设计[J].城市轨道交通研究.2019
[6].Razikhova,Meiramgul.自动驾驶场景障碍物检测与道路识别[D].哈尔滨工业大学.2019
[7].彭琳钰.基于卷积神经网络的障碍物识别系统设计[D].贵州大学.2019
[8].徐开威.基于Modified-ELM算法的输电线路除冰机器人的障碍物识别技术[D].南昌大学.2019
[9].唐碧波.基于激光位移传感器的焊缝跟踪方法和障碍物识别技术研究[D].湘潭大学.2019
[10].王帅.基于双目视觉的泊车机器人障碍物识别系统研究[D].河南科技大学.2019