导读:本文包含了道路区域检测论文开题报告文献综述及选题提纲参考文献，主要关键词:无人驾驶车辆,叁维激光雷达,道路分割,K-means算法
道路区域检测论文文献综述
邹斌,王磊[1]（2018）在《基于激光雷达道路可通行区域的检测与提取》一文中研究指出该文针对无人驾驶车辆道路可通行区域检测与提取的问题,提出了一种基于车载叁维激光雷达的道路分割提取方法。首先利用雷达探测角度提取激光雷达扫描单线,然后用改进K-means聚类算法获取最优聚类点集,再利用高度特征提取障碍物,结合基于密度的DBSCAN聚类方法提取路沿,最后根据最小二乘法对可通行区域进行曲线拟合。试验结果表明,该方法可以实时有效地提取路面可通行区域。(本文来源于《自动化与仪表》期刊2018年02期）
郑天宇[2]（2017）在《基于感兴趣区域的道路交通标志检测算法研究》一文中研究指出面对多样化的道路环境以及日趋复杂的交通安全问题,智能交通系统(Intelligent Transportation System,简称ITS)和先进辅助驾驶系统应运而生并得到了广泛关注。与此同时,交通标志识别系统作为ITS系统中的核心技术和前沿领域,现已逐渐成为国内外众多科研学者的热门研究课题。在复杂道路环境下的交通标志容易受到光照、天气、颜色退化、形状失真及动态模糊等因素的影响,因此有效的道路交通标志检测方法就成为了研究热点,本文的主要工作内容包括以下几点:(1)由于自然场景下的道路环境复杂多变,因此采集到的交通标志图像需经过预处理环节才能更好地进行检测与识别。本文采用了 Gamma校正以及梯度锐化方法来减少光照强度变化的影响以达到增强图像的目的;同时也比较了中值滤波与自适应多级中值滤波以及高斯滤波与自适应高斯滤波的噪声抑制能力;最后对比了 RGB、HSV、Lab叁种不同颜色空间的阈值分割效果。(2)提出了一种基于感兴趣区域和随机森林分类器的交通标志检测方法,该检测方法首先使用线性SVM分类器对交通标志图像进行颜色转换,同时结合形状模板匹配思想计算其对应尺度和位置上的交通标志匹配分数,并根据其匹配分数与事先设定的阈值进行比较判断,可获得最终的候选ROIs区域;然后提取候选ROIs区域的PHOG特征描述子,结合结构模型学习策略生成随机森林分类器以完成干扰ROIs区域的剔除,提高了目标区域检测的准确性;最后在学校周边不同路段环境下拍摄到的380张交通标志图像测试数据库中进行了叁组不同的对比实验,结果表明基于ROIs区域和随机森林分类器方法有着较好的检测效果。(3)针对传统的基于ICF特征和Adaboost交通标志检测算法,召回率过低和误检率过高的问题,提出了一种基于积分通道特征和多级分类器的交通标志检测方法,该检测方法首先对ICF特征进行自适应谱聚类并结合Adaboost算法学习得到目标的ROIs区域;然后对所获得的ROIs区域进行直方图均衡化,并利用LLC编码后的SIFT特征与线性SVM相结合生成四种不同的形状分类器;最后通过GTSDB数据库的验证,结果表明采用SICF-Adaboost+LSIFT-SVM构建的交通标志级联分类器检测方法对光照变化、形状失真、颜色退化、动态模糊等情况具有一定的鲁棒性。(本文来源于《安徽大学》期刊2017-05-01）
段建民,李龙杰,郑凯华[3]（2016）在《基于车载4线激光雷达的前方道路可行驶区域检测》一文中研究指出通过分析大量激光雷达数据,提出了改进的DBSCAN算法对雷达数据进行聚类,以使智能汽车获得前方道路和障碍物信息。根据不同的密度参数,多次调用该算法完成多密度聚类。结合提出的道路边沿、路面和障碍物等信息提取方法,在结构化或半结构化的城市道路中对提出的方法进行实车试验,结果表明该算法可实时准确的提取智能汽车的可行驶区域信息。(本文来源于《汽车技术》期刊2016年02期）
谢航航[4]（2015）在《基于多信息融合技术的道路平面区域检测方法研究》一文中研究指出寻找可通行区域是导航技术的核心问题,无论是移动机器人、无人车还是行走辅助设备等应用的实现都高度依赖于该问题的解决。因此,各个领域的研究者们针对这个问题的研究投入了大量的时间和精力。研究解决该问题不仅具有较高的科研价值,其中还蕴藏着巨大的经济效益。人以及动物在完成某项任务时通常是综合多个感官获得的信息进行判断,事实上也证明了多感官组合使用无论在准确性以及鲁棒性上都要优于各个感官分开工作。受此启发,本文对融合多传感器数据的道路场景认知方法展开了研究,主要研究成果包括：1、设计并制作了基于双目视觉和惯性测量单元(IMU)的智能导盲系统的硬件平台。该平台轻便、简洁、具有友好的人机接口,可非常方便地实现穿戴。2、在所制作硬件平台的基础上,提出了一种基于多信息融合技术的道路平面抽取算法。该方法主要改进了道路检出算法中单应性矩阵的获取。融合相机以及IMU采集到的数据,算法通过决策规则从两种传感器算得的单应性矩阵中筛选出路面抽取的最优矩阵,从而克服了基于特征匹配的单应性矩阵获取方法常因路面特征点不足或误匹配而失效的情况,提高了路平面检测的准确性以及鲁棒性。另外,本文还给出了本体自移动和障碍物移动属性估计方法,并通过实验验证了所提出方法的正确性和有效性。(本文来源于《浙江大学》期刊2015-01-10）
杨唐文,王敏杰,秦勇[5]（2013）在《融合图像边缘和区域特征的道路检测算法》一文中研究指出利用图像分割技术对车载视频进行图像处理,提取道路信息,以用于智能车自动驾驶.首先,将彩色通道图像转换成灰度图像,并进行直方图均衡化和滤波预处理;然后,利用自定义差分算子和区域生长法,进一步对处理后的灰度图像进行分割,分别获得图像的边缘和区域特征.最后,结合区域和边缘分割的互补特性,提出一个融合两者信息的分割算法,对不同条件下获得的车载视频进行图像分割,实现道路检测.实验结果表明,所提出的方法能够获得边缘精确平滑、区域均匀的道路分割,而且算法具备较好的实时性和鲁棒性.(本文来源于《2013年中国智能自动化学术会议论文集（第叁分册）》期刊2013-08-24）
杨唐文,王敏杰,秦勇[6]（2013）在《融合图像边缘和区域特征的道路检测算法》一文中研究指出利用图像分割技术对车载视频进行图像处理,提取道路信息,以用于智能车自动驾驶.首先,将彩色通道图像转换成灰度图像,并进行直方图均衡化和滤波预处理;然后,利用自定义差分算子和区域生长法,进一步对处理后的灰度图像进行分割,分别获得图像的边缘和区域特征.最后,结合区域和边缘分割的互补特性,提出一个融合两者信息的分割算法,对不同条件下获得的车载视频进行图像分割,实现道路检测.实验结果表明,所提出的方法能够获得边缘精确平滑、区域均匀的道路分割,而且算法具备较好的实时性和鲁棒性.(本文来源于《东南大学学报(自然科学版)》期刊2013年S1期）
王静余[7]（2013）在《智能车车道线检测与道路区域搜索技术的研究》一文中研究指出随着社会的进步和公路交通系统的飞速发展，交通安全已成为越来越重要的社会问题。道路交通系统不断涌现出的诸多问题，使得智能交通系统（IntelligentTransport System，简称ITS）得到了广泛关注。智能车辆是ITS的重要组成部分，是集环境感知、规划决策和辅助驾驶等功能于一体的综合智能系统，代表了未来车辆的发展方向，具有广阔的应用前景。本文主要研究了智能车辆环境感知系统中的关键技术——车道线检测技术与道路区域搜索技术，包括图像边缘检测、直线提取、数据筛选与跟踪、漫水填充算法、轮廓搜索与目标跟踪。本文以北京工业大学电动汽车BJUT-SHEV为硬件平台，建立基于单目视觉的软件综合实验平台，验证了所研究算法的有效性。首先，在实验室在车道线检测的技术经验基础上，以视频流为实验对象，提出了Hough直线数据的筛选算法。分析道路路景信息，根据Hough提取直线的特点，建立相适应的筛选参数与跟踪环节。算法保持历史结果，经内部算法推荐出优选参数，以排除出现的随机干扰与检测错误。其次，为了解决智能车辆在无车道线指导信息的情况下的导航定位问题，本文继而提出了道路区域搜索技术。利用道路区域的灰度特点，首先使用漫水填充算法提取道路区域。针对道路边缘往往不规则的特点，本文采用mean-shift均值漂移目标跟踪算法，通过多帧图像拟合的方式，排除异常搜索数据，达到抑制噪声的目的。最后，本视觉终端实现了与车载规划决策计算机的网络通信功能。通过研究摄像头的透视模型，建立了摄像头投影坐标系与智能车车身坐标系的转换关系。将处理获取的数据转换为规划决策计算机可以直接使用和理解的数据，并通过自主开发的通信终端与协议实现视觉终端与规划决策计算机之间的信息交互。为了提高现场实验的效率和提供统一实验环境，本文开发了车载视觉综合实验平台。该实验平台提供了多种调试和实验功能，提供了软件和硬件的接口。通过大量的现场实验，对算法的各个环节进行了考察和验证。(本文来源于《北京工业大学》期刊2013-05-01）
刘澍才[8]（2013）在《基于虚拟区域的交通道路车流量检测技术的研究》一文中研究指出随着计算机软硬件技术的发展,视频交通检测技术得到了巨大的发展,同时具有安装维护方便、信息量大等优势,是磁感线圈等传统的交通检测方式所不能比拟的,因而得到了广泛的运用和发展,成为智能交通系统中的关键技术。OpenCV是一个功能强大的开源图形处理函数库,可以在多个平台上运行,能够满足视频交通处理的各种需求,可以让研究人员从编写底层的算法上解脱出来,专心进行应用程序的开发,节约了时间和精力,并且保证了应用程序的稳定性和安全性。现存的各种交通检测方法有的安装维护比较复杂,有的所需的检测条件比较苛刻,而视频检测正是传统方法的替代者,不仅可以全天候进行检测,而且提取的信息量大,灵活度高。本文首先介绍了国内外的发展现状以及存在问题,随后介绍了OpenCV中的重要的函数和数据结构以及数字图像处理的关键技术。在分析比较了现有的车辆检测方法后,研究了基于背景边缘差分的车流量检测方法,通过以车辆的边缘背景信息作为检测特征,根据已经得到数据来对背景信息进行提取和更新,使获取的数据尽量少的受到周围环境的影响,在此基础上采用了基于虚拟线圈的检测方法来计算车流量。其次针对检测过程中出现的一些问题进行了分析,对图像的噪声进行最小像素比去噪和最小帧数去噪处理,尽量的减少外界噪声对车辆识别的影响。对车辆的阴影分别在RGB空间和HSV空间进行处理,利用阴影在图像中的特点,达到了去除阴影的目的。此外研究了车辆由于距离过近所引起的粘连现象,并运用最大时间间隔阈值法进行处理,通过最小帧间隔阈值法解决车辆图像由于灰度化引起的断层问题,在利用OpenCV函数库的基础上结合Qt设计了基于视频的车辆检测软件。最后得到测试数据并对完成的工作做了总结,针对不足之处和一些缺点的改进方法做了探讨。(本文来源于《昆明理工大学》期刊2013-04-01）
肖已达,王冰,杨明,王春香,陈文萍[9]（2013）在《基于激光雷达的道路可通行区域检测》一文中研究指出随着城市化进程的发展,城市人口密度日益增高,随之而来的城市交通拥堵问题也日渐显着,而无人驾驶车辆作为改善这一问题的一个可能手段,也得到了越来越多的关注。无人驾驶车辆的安全性无疑是其研发过程中十分重要的一环。该文提出了一种使用3个激光雷达进行的道路可通行区域检测方法,该方法包括道路边界检测与障碍物检测两部分。道路边界检测将道路剖面的弧度考虑在内,使用了二次函数进行拟合,提高了模型的准确性,并将最终结果表示于1个以圆弧为基础的栅格地图内。该表示方法能更好地贴合车辆实际运动模型。(本文来源于《机电一体化》期刊2013年02期）
叶伟龙,刘华平,孙富春,何克忠[10]（2011）在《非结构化道路区域检测的协同学习方法》一文中研究指出非结构化道路区域检测是智能车环境感知的重要问题。提出基于多方向Gabor纹理直方图的SVM分类器,并将其与直方图反向投影器组合,建立了协同学习框架。在实际运行中,两个学习器可以相互为对方提供标注样本进行更新,既提高了在线学习能力,又回避了自学习过程经常导致的模型漂移问题。经实验测试,协同学习机制显着改善了道路检测性能。(本文来源于《中国图象图形学报》期刊2011年05期）
道路区域检测论文开题报告
（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：
面对多样化的道路环境以及日趋复杂的交通安全问题,智能交通系统(Intelligent Transportation System,简称ITS)和先进辅助驾驶系统应运而生并得到了广泛关注。与此同时,交通标志识别系统作为ITS系统中的核心技术和前沿领域,现已逐渐成为国内外众多科研学者的热门研究课题。在复杂道路环境下的交通标志容易受到光照、天气、颜色退化、形状失真及动态模糊等因素的影响,因此有效的道路交通标志检测方法就成为了研究热点,本文的主要工作内容包括以下几点:(1)由于自然场景下的道路环境复杂多变,因此采集到的交通标志图像需经过预处理环节才能更好地进行检测与识别。本文采用了 Gamma校正以及梯度锐化方法来减少光照强度变化的影响以达到增强图像的目的;同时也比较了中值滤波与自适应多级中值滤波以及高斯滤波与自适应高斯滤波的噪声抑制能力;最后对比了 RGB、HSV、Lab叁种不同颜色空间的阈值分割效果。(2)提出了一种基于感兴趣区域和随机森林分类器的交通标志检测方法,该检测方法首先使用线性SVM分类器对交通标志图像进行颜色转换,同时结合形状模板匹配思想计算其对应尺度和位置上的交通标志匹配分数,并根据其匹配分数与事先设定的阈值进行比较判断,可获得最终的候选ROIs区域;然后提取候选ROIs区域的PHOG特征描述子,结合结构模型学习策略生成随机森林分类器以完成干扰ROIs区域的剔除,提高了目标区域检测的准确性;最后在学校周边不同路段环境下拍摄到的380张交通标志图像测试数据库中进行了叁组不同的对比实验,结果表明基于ROIs区域和随机森林分类器方法有着较好的检测效果。(3)针对传统的基于ICF特征和Adaboost交通标志检测算法,召回率过低和误检率过高的问题,提出了一种基于积分通道特征和多级分类器的交通标志检测方法,该检测方法首先对ICF特征进行自适应谱聚类并结合Adaboost算法学习得到目标的ROIs区域;然后对所获得的ROIs区域进行直方图均衡化,并利用LLC编码后的SIFT特征与线性SVM相结合生成四种不同的形状分类器;最后通过GTSDB数据库的验证,结果表明采用SICF-Adaboost+LSIFT-SVM构建的交通标志级联分类器检测方法对光照变化、形状失真、颜色退化、动态模糊等情况具有一定的鲁棒性。
（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。
道路区域检测论文参考文献
[1].邹斌,王磊.基于激光雷达道路可通行区域的检测与提取[J].自动化与仪表.2018
[2].郑天宇.基于感兴趣区域的道路交通标志检测算法研究[D].安徽大学.2017
[3].段建民,李龙杰,郑凯华.基于车载4线激光雷达的前方道路可行驶区域检测[J].汽车技术.2016
[4].谢航航.基于多信息融合技术的道路平面区域检测方法研究[D].浙江大学.2015
[5].杨唐文,王敏杰,秦勇.融合图像边缘和区域特征的道路检测算法[C].2013年中国智能自动化学术会议论文集（第叁分册）.2013
[6].杨唐文,王敏杰,秦勇.融合图像边缘和区域特征的道路检测算法[J].东南大学学报(自然科学版).2013
[7].王静余.智能车车道线检测与道路区域搜索技术的研究[D].北京工业大学.2013
[8].刘澍才.基于虚拟区域的交通道路车流量检测技术的研究[D].昆明理工大学.2013
[9].肖已达,王冰,杨明,王春香,陈文萍.基于激光雷达的道路可通行区域检测[J].机电一体化.2013
[10].叶伟龙,刘华平,孙富春,何克忠.非结构化道路区域检测的协同学习方法[J].中国图象图形学报.2011