英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料
智能车辆障碍物检测中视频图像识别的判断与优化
Qing Li，Tao He，Guodong Fu
摘 要： 目的是解决智能车辆的图像识别问题，优化智能车辆的障碍物判断和后续路径规划。方法：利用机器视觉技术采集相关路段的图像，采用灰度化和二值化的方法对图像进行处理，并通过数据采集仿真观察其效果。通过对遇到障碍后的连续直通行驶进行分析，发现智能车辆一旦确定和规划路线，行驶误差较小。另外，实验中x方向的误差不超过0.006 m，y方向的误差不超过0.003 m，车辆的识别效果达到了预期的效果。通过对遇到障碍物后的转弯和旋转行驶的分析，发现智能车辆在识别障碍物和规划行驶路线后，在转弯过程中曲线的幅值发生了突然的变化。另外，在旋转驱动过程中，x方向误差不大于0.02 m，y方向误差不大于0.05 m，在旋转驱动过程中，x方向误差不超过0.03m，y方向误差不超过0.04m，误差变化范围也在允许误差范围内。通过本文的研究，发现智能车辆的误差在允许范围内，达到了预期的效果。虽然实验过程中存在一些不足，但仍可为后期智能车辆的障碍物检测和路径规划提供实验依据。
关键词：智能车辆；图像识别技术；机器视觉技术；障碍物探测技术
1.导言
今天，随着社会的快速发展，科学技术也在飞速发展。同时，随着各行各业的发展，给人们的日常生活带来了极大的便利。在旅途中，人们对速度的追求越来越高，不可避免的交通事故也越来越多。为了在提高安全性的同时满足人们的出行需求，智能产品也逐渐出现在人们的视野中，比如智能车辆[1,2]。随着工业4.0趋势的出现，以智能化为主导的第四次工业革命将使更多的设备和产业持续智能化。智能汽车作为人们出行中不可缺少的交通工具，在一定程度上改变了人们的出行方式，提高了出行的安全性[3]。研究表明，智能车辆的出现具有其他优点，如增加道路安全，缓解交通拥堵，通过对车辆的系统控制，寻找最佳的加速、制动和减速方式，从而改善周围环境，提高燃油利用率[4]。基于这些优点，智能车辆的应用已成为科研学者关注的焦点。
目前，随着信息技术的发展，人们的生活越来越方便，交通出行的安全性能也越来越高。比如道路上的障碍等，以前人们只能靠肉眼来辨认，如果人们不及时作出反应，可能会发生事故，从而与障碍物相撞，造成交通事故。因此，驾驶员前方车辆的障碍物检测技术是非常重要的[5]。随着智能车辆的出现，交通规划越来越全面，包括信息技术、通信技术、控制技术和传感器技术等，这些技术的水平直接影响到智能辅助系统的水平，对于智能车辆系统的无线终端和导航系统来说，需要网络的实时监控，为智能车辆辅助系统提供了良好的技术支持[6]。此外，车辆本身亦须有足够的能力，在即将发生碰撞时作出预警，使乘员可以预防、提高车辆的主动安全，以及减少安全意外的发生[7]。从驾驶过程资源利用的角度看，智能辅助系统可以减少驾驶员的工作量，保持驾驶过程的乐趣等。因此，利用视频图像技术检测车辆行驶过程中的障碍物，提高车辆的安全性，已成为人们关注的焦点。
总之，为了探索智能车辆图像识别中的障碍物检测和路径规划，采集了相关路段的图像，应用图像处理中的灰度和二值化方法对该方法进行了仿真，并采集了相关数据观察其效果，为未来智能车辆的障碍物检测和路径规划提供了一种新的思路。
第一部分主要阐述了智能车辆的发展背景、开发过程中遇到的问题以及本研究的研究内容。第二部分介绍了国内外最新的研究现状和应用方向。第三部分对智能车辆技术、障碍物检测技术和机器视觉技术进行了简要的描述和比较。第四部分采用适当的方法筛选出障碍物检测和仿真实验的优化设计。第五部分对仿真实验的结果进行了讨论和统计分析。第六部分总结了本研究的研究内容，提出了本研究设计的障碍检测方案优化的优势、不足和未来展望。
2.文献概述
2.1.智能车辆的发展
汽车的发展离不开人们的出行。作为一种发展趋势，许多学者对智能车辆进行了探索，以提高其性能。Lan等人(2017)基于车辆动力学仿真软件Matlab CarSinm，通过典型的仿真设计对智能车辆免疫控制和外部传感器进行了测试。仿真结果表明，该算法具有较强的鲁棒性，能够适应免疫控制算法的道路跟踪精度以及外部环境和车速的变化[8]。Mohammed Shakeel等人(2018)使用鲁棒主模糊减法[9]梯度偏方程(RPFGPE)[10]研究多模态背景检测和光照变化、减影和阴影去除方法，有效地识别视频片段中的车辆。这些方法分析了视频帧图像中的每个像素，以及背景和投影。实验结果验证了系统的有效性，并与其他背景减法和阴影去除方法进行了比较[11]。Malik等人(2019年)研究了智能车辆的实时任务管理和高效的自主控制推理系统，并最终模拟了具有相同系统约束的非混合版本和推理机的基本实现，各项性能指标均达到了要求。[12].
2.2.图像识别技术的探索
图像识别技术是人工智能的一个重要领域。它是一种从图像中识别物体从而识别不同的目标和对象的技术，其应用领域也非常广泛。Lu等人(2019)在深入学习卷积神经网络的基础上，利用卷积神经网络对图像中的“蘑菇”进行定位，并提出了一种校正方法来校正定位结果。实验表明，该系统在“蘑菇状”图像检测中具有良好的性能。[13], [14]。Arshad等人(2017)提出了一个基于云的图像目标识别SDK，其主要目标是实现基于云处理的轻量级移动设备。用于图像目标识别的SDK需要注重有效性、健壮性和简单性，同时仍然保持高水平的功能(即良好的识别)[15]。辛等人(2018)提出了一种改进的深度卷积神经网络模型，该模型通过增加平行线圈层来扩展卷积神经网络的宽度。该模型有助于提取图像特征，提高网络性能。在卷积层，采用批量归一化方法对特征图像进行预处理，加快了网络训练的速度。实验结果表明，该模型能够更准确地了解宫颈癌细胞的图像特征，有效地降低了分类错误率[16].
2.3.障碍物探测
近年来，无人驾驶汽车已经成为一种发展趋势，因此障碍物检测是非常重要的，当然，它在其他领域也有着广泛的应用。Yong等人(2018)将雷达技术应用于农田作物识别与测量，发现单传感器测量技术不能满足复杂农田环境的需要，但多传感器融合技术在农田障碍物检测中的应用达到了预期的效果[2]；于是Long等人(2019年)使用掩码R-cnn和单镜头多盒检测网络来检测和识别彩色图像中的目标。利用均值移位算法从深度图像中提取障碍物的深度信息。该传感器融合系统具有较高的精度和稳定性。作为一种可穿戴系统，它具有通用性、便携性和成本效益[17].
因此，将图像识别技术应用于智能车辆驾驶过程中的障碍物检测和路径规划是一个非常有意义的课题。
3.方法
3.1.智能车辆技术
智能车辆是集环境意识、规划决策、多层次驾驶辅助等功能于一体的综合性系统。它集计算机、现代传感、信息融合、通信、人工智能和自动控制技术于一体，是一个典型的高科技综合体。目前，智能车辆的研究主要致力于提高车辆的安全性和舒适性，以及提供良好的人机交互界面[18]。近年来，智能车辆已成为汽车工程领域的一个研究热点，成为世界汽车工业发展的新动力。许多发达国家已将它们纳入其强调的智能交通系统，如图1 [19].
图1. 智能车辆在驾驶过程中的路径规划。
智能车辆安全性的关键是运动控制技术的实现，这已经引起了国内外众多学者的关注，也是未来的发展趋势之一；对智能车辆行为决策的研究相对较少，不能实现实时性等问题；在运动规划方面，大多数控制算法都应用于具有较低自适应能力和鲁棒性的控制系统；在运动控制方面，模糊滑模控制理论常应用于智能车辆的控制系统中，算法不依赖于智能车辆的精确数学模型，因而能够保证其鲁棒性[20].
3.2.障碍物检测技术
在驾驶过程中，智能车辆通过检测障碍物来优化行驶路线。例如，光探测与测距(LIDAR)技术作为一种光学遥感设备，主要通过发射激光来探测和测量目标物体，从而发现前障碍物
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
