MM1314午夜免费视频

                    24小時論文定制熱線

                    咨詢電話

                    熱門畢設:土木工程工程造價橋梁工程計算機javaasp機械機械手夾具單片機工廠供電采礦工程
                    您當前的位置:論文定制 > 畢業設計論文 >
                    快速導航
                    畢業論文定制
                    關于我們
                    我們是一家專業提供高質量代做畢業設計的網站。2002年成立至今為眾多客戶提供大量畢業設計、論文定制等服務,贏得眾多客戶好評,因為專注,所以專業。寫作老師大部分由全國211/958等高校的博士及碩士生設計,執筆,目前已為5000余位客戶解決了論文寫作的難題。 秉承以用戶為中心,為用戶創造價值的理念,我站擁有無縫對接的售后服務體系,代做畢業設計完成后有專業的老師進行一對一修改與完善,對有答辯需求的同學進行一對一的輔導,為你順利畢業保駕護航
                    代做畢業設計
                    常見問題

                    基于計算機視覺的裝備方隊輔助訓練系統開發

                    添加時間:2021/07/31 來源:未知 作者:樂楓
                    本文通過優化相關的圖像處理算法,運用數據庫技術以及開發相應的界面程序來進行理論和應用層面上的研究,希望能夠為裝備方隊橫縱向行駛科目的訓練提供一種相對科學合理、客觀公正的評估系統。
                    以下為本篇論文正文:

                    摘要

                      我國于 2019 年 10 月 1 日舉行的國慶閱兵儀式受到了全世界的矚目,為了保 證閱兵式的規范性與紀律性,受閱方隊人員往往需要進行長期艱苦的訓練。有些閱兵方隊為了解決傳統訓練方式無法標準化的缺點,采用了信息化手段獲取裝備方隊的實時訓練信息來進行分析。但是該方式的所涉及到的訓練科目少,并且在精準性和實時性方面需要進一步提高。鑒于以上原因,本文通過優化相關的圖像處理算法,運用數據庫技術以及開發相應的界面程序來進行理論和應用層面上的研究,希望能夠為裝備方隊橫縱向行駛科目的訓練提供一種相對科學合理、客觀公正的評估系統。本文主要研究內容如下:
                     。1)快速準確識別車道線:通過計算車輛中心線與車道線中心線在水平方向的偏移距離來監測車輛在行駛中的橫向偏移情況。在圖像預處理方面,對采集到的圖像提取 ROI 區域并進行灰度化處理,使用自適應中值濾波算法以及形態學閉操作代替高斯濾波平滑圖像以防止邊緣信息減弱;在邊緣檢測方面,對傳統的Canny 算法進行了改進:使用改進的 Sobel 算子通過四個方向計算梯度幅值來防止偽邊緣的產生,提出了基于最小誤差法的交點迭代法改進 OSTU 自適應算法來快速確定 Canny 算法的高低閾值;在邊緣擬合方面,對 Hough 變換中的一些參數進行約束來彌補算法的實時性,同時使用最小二乘法擬合車道線中心線來計算車輛相對于車道線的偏移距離。

                     。2)快速準確識別標識物:通過計算圖像中心與采集到的標識物中心的水平距離來監測閱兵車輛在行駛中的縱向偏移情況。首先對采集到的圖像提取 ROI 區 域,并將圖像由 RGB 色彩空間轉換到 HSV 色彩空間中;接下來根據不同顏色在HSV 色彩空間的參數范圍進行了特定顏色的區域提;最后使用輪廓繪制算法連接區域輪廓,并對區域面積以及形狀加以限定找到相應的標識物,通過計算質心坐標來計算車輛相對于基準車的偏移距離。

                     。3)數據處理與界面程序開發:通過設計 MySQL 數據庫對采集到的數據進行存儲,選用 Qt 開發平臺編寫可視化界面實現人機交互,并對設計的前后端界面程序進行了功能性的介紹。

                      綜合實驗表明,本文所設計的系統可以快速準確地計算車道線與標識物中心點坐標,能夠有效的提高檢測的精準度、速度以及抗干擾能力,設計的可視化程序能夠實現良好的人機交互功能。并且該系統也成功應用于 70 周年大閱兵訓練中,能夠有效地提高閱兵訓練效果。

                      關鍵詞:閱兵裝備方隊;車道線識別;改進 Canny 算法;人工標識物識別;Qt 可視化界面程序開發

                    abstract

                      The National Day military parade held in China on October 1, 2019 has attracted worldwide attention. In order to ensure the standardization and discipline of the military parade, the personnel of the reading team often need long-term and arduous training. In order to solve the shortcoming that the traditional training methods can not be standardized, some parade teams use information means to obtain the real-time training information of equipment teams for analysis. However, this method involves few training subjects, and needs to be further improved in accuracy and real-time. In view of the above reasons, this paper studies the theoretical and application levels by optimizing the relevant image processing algorithms, using database technology and developing corresponding interface programs, hoping to provide a relatively scientific, reasonable, objective and fair evaluation system for the training of horizontal and vertical driving subjects of the equipment team. The main research contents of this paper are as follows: (1) quickly and accurately identify the lane line: by calculating the offset distance between the vehicle centerline and the lane line centerline in the horizontal direction, the lateral offset of the vehicle in driving is monitored. In the aspect of image preprocessing, ROI region is extracted from the collected image and grayed. Adaptive median filter algorithm and morphological closed operation are used to smooth the image instead of Gaussian filter to prevent the weakening of edge information; In the aspect of edge detection, the traditional Canny algorithm is improved: the improved Sobel operator is used to calculate the gradient amplitude in four directions to prevent the generation of false edges, and the intersection iteration method based on the minimum error method is proposed to improve the Ostu adaptive algorithm to quickly determine the high and low threshold of Canny algorithm; In terms of edge fitting, some parameters in Hough transform are constrained to make up for the real-time performance of the algorithm. At the same time, the least square method is used to fit the centerline of lane line to calculate the offset distance of vehicle relative to lane line.

                     。2) Fast and accurate identification of markers: the longitudinal offset of military parade vehicles during driving is monitored by calculating the horizontal distance between the image center and the collected marker center. Firstly, ROI region is extracted from the collected image, and the image is transformed from RGB color space to HSV color space; Next, the region of specific color is extracted according to the parameter range of different colors in HSV color space; Finally, the contour drawing algorithm is used to connect the area contour, limit the area and shape of the area, find the corresponding markers, and calculate the offset distance of the vehicle relative to the reference vehicle by calculating the centroid coordinates.

                     。3) Data processing and interface program development: store the collected data by designing MySQL database, select Qt development platform to write visual interface to realize human-computer interaction, and introduce the functionality of the designed front and rear interface programs.

                      Comprehensive experiments show that the system designed in this paper can quickly and accurately calculate the coordinates of lane line and marker center point, effectively improve the detection accuracy, speed and anti-interference ability, and the designed visualization program can achieve good human-computer interaction function. And the system has also been successfully applied to the 70th anniversary parade training, which can effectively improve the effect of parade training.

                      Key words: parade equipment team; Lane line identification; Improved Canny algorithm; Identification of manual markers; QT visual interface program development

                    計算機視覺

                    目錄

                      1 引言

                      1.1 課題背景和意義

                      科技強則國家強,科技興則部隊興。習近平主席在十二屆全國人大五次會議解放軍代表團全體會議上,站在時代的角度,就加快軍隊科技化、信息化建設作了深刻系統闡述,向全體人員提出了出了科技興軍的指令。走軍民融合之路,是建設鞏固國防和增強軍事實力的必經之路?萍紕撔履芰υ诮裉鞂蔀橐粋部隊的核心實力,是有效提高戰斗力的關鍵。隨著社會分工多樣化的發展,科技創新不再是孤立的個體,走軍民融合之路是必然選擇。習近平主席同時指出,我國經過長期穩步發展,經濟與科技實力已經相比過去有了明顯的提升,并且已經在一些科學技術領域解決了世界性的難題,取得了重大突破,這些成績為科技興軍打下了堅實基礎,把科技領域軍民融合實現得又好又快已經具備了一切條件。走軍民融合發展之路,能夠將國防和部隊建設方面的頂尖技術提供給廣大民眾使用,同時群眾為部隊也為部隊提供豐富的實際經驗,從而為我軍建設提供強有力的支持。

                      閱兵式歷來被認為是對外界展示我國綜合實力的最佳方式,同時也是樹立中華民族自信心的重要表達方式,中國人民解放軍一直十分重視閱兵。新中國成立之后,全國政協決定,保留閱兵式并作為國慶典禮的重要組成部分。閱兵可以展現我軍現代化建設的取得的重要成就,也可以展現我軍的嶄新風貌,展示軍隊維護祖國安全與領土完整、保持世界和平與發展進程的強大信心,更是向世界各國人民展現中國實力和民族團結的窗口。2019 年 10 月 1 日國慶節,是新中國成立70 周年的重要節日,閱兵式水平也將會是史上最高水準。閱兵式是展示一個國家軍事實力和綜合競爭力的重要方法,舉行一場莊嚴精彩的閱兵式,不僅能展示國家先進的軍事武器、科學技術,也能展示國家實力,增強民族自信心。

                      將整齊劃一的閱兵方隊展現給人民群眾是中國人民解放軍的傳統,并且我國的閱兵式的規范性和紀律性早已得到世界范圍內的一致好評,這一切都要歸功于解放軍官兵們長期的艱苦訓練。但是目前國內對于閱兵裝備方隊的訓練還主要采用傳統的人工訓練方式,這種方式主要存在著以下幾個問題:一是該方式組織復雜,持續時間長,會消耗大量的人力物力;二是教官作為訓練人和考核人數量有限,一人負責一個方隊進行訓練的情況是常態,工作量繁重,并且也不能同時關注每一位人員的訓練情況;三是因為訓練標準受教練主觀性影響較大,水平參差不齊往往無法統一評定標準。上述缺點往往會導致不能科學的、公正的反映受考核官兵的能力水平,不但降低了訓練考核的效率,也削弱了訓練考核的效果,無法有效地促進訓練水平的提高。某些方隊采用了信息化手段獲取裝備方隊的實時訓練信息來進行分析,如圖 1-1 所示是一種信息化的訓練方式,其中虛線為反光條,將光電開關放置在車輛的正下方,記錄車輛經過每個反光條的時刻,這樣便可以判斷每排車輛是否能夠整齊行駛。但是此類方式的所涉及到的一般都是單一科目,并且在精準性和實時性方面需要進一步提高。新時期軍事訓練要求實現現代化與信息化,從而開發一套科學的訓練系統以實現車輛方隊訓考的電子化、信息化、數據化具有著重要的現實意義和實用價值。

                      本文以建國 70 周年大閱兵為契機,以裝備方隊輔助訓練系統開發為研究課題,通過優化相關的圖像處理算法、運用數據庫技術以及開發相應的界面程序對其進行理論和應用的研究,同時希望此系統可以為裝備方隊提供一種相對科學合理的方法和客觀公正的評估工具。

                      1.1.1 車道線識別技術發展概況

                      自動駕駛作為工業 4.0 時期的產物,對改善城市公路交通問題有著重要意義。

                      近日,奧迪已開始量產 L3 級自動駕駛車輛,L4 級甚至 L5 級自動駕駛技術的研究也在如火如荼的進行中。高等級的自動駕駛車輛行駛的安全性主要依賴于車道的準確保持,只有實時準確的感知到了自身與車道線相對位置后,車輛才能進行相應操作。有效的獲取車道線的信息,對自動駕駛車輛的決策有著非同小可的作用。

                      此外,有學者提出在未來智能公路系統的模型中,自動駕駛車輛的行駛方式為車輛中心與車道線中心重合行駛,這種行駛方式也稱為騎線行駛,車道線成為了自動駕駛車輛的"軌道".所以,現階段對于車道線檢測的精確度和實時性提出了更高的要求。當前針對車道線檢測有著很多不同的方法,常見的是使用的激光雷達技術和圖像識別技術進行檢測[1].

                      在激光雷達檢測技術中,大致方式是通過獲取雷達掃描坐標后柵格化,并利用柵格圖中的密度把需檢測的車道線提取出來[2].目前關于激光雷達檢測技術仍處于發展階段,各國學者也在不斷對相應算法進行優化與改進:Choi 等人使用激光雷達檢測為主,輔以相機和 Geographic Information System 數據庫對路面情況進行獲取與分析[3];Kibble 等人利用密度直方圖來識別目標特征,但是在復雜情況下效果較差[4];Lindner 等人把雷達原始坐標轉換為極坐標柵格識別車道線,但是選取最大值映射處理多點映射同柵格情況的方法容易在識別時出現較大誤差[5];國內的學者吳毅華等為了提高特征提取的精確度,利用雷達的回波脈沖寬度的不同對特征進行了更為精確的提取,從而提高了算法整體的抗干擾能力[6].使用激光雷達進行車道線的特征識別可以更加直接的獲取特征,分辨率高,抗干擾能力強,但是造價昂貴,更加精細多線的激光雷達成本在幾十萬以上。

                      在圖像識別檢測技術中,總體來說車道線檢測的方法可以分為兩種:基于模型的方法和基于特征的方法[7].基于模型的方法通過構建數學模型來擬合車道線,目前,Zhou 等人為了減小邊緣檢測時的誤差,提出了一種基于幾何模型的魯棒車道線識別算法,并結合和 Gabor 濾波器進行降噪處理[8],但是在該算法中只使用了車道線的單一特征,不確定性增加;Yun Wei 等人將 Harr 特征與方向梯度直方圖(Histogram of Oriented Gradients, HOG)特征相結合,利用兩者的優勢進行檢測,使得算法具有很好的特征提取與描述能力[9],但是算法運算復雜,時效性無法得到有效的保證。

                      基于特征的方法步驟大體分為:圖像預處理、邊緣檢測和邊緣擬合擬合。辛 超等使用雙邊濾波降噪來提高圖像的對比度[10],但缺點是不具備自適應性和無法去除圖像采集時可能出現的椒鹽噪聲;Hammouche 等應用小波變換和遺傳算法搜索自動閾值準則(Automatic Thresholding Criterion, ATC)得到閾值[11],但此方法的效率仍有提高的方面;梁肇峻等使用 OTSU 算法解決了 Canny 算法無法自適應確定高低閾值的問題[12],但是該方法需要遍歷所有梯度模值,實時性差;萬琴等對Hough 變換的實時性進行了改進[13],但是常用的邊緣擬合算法計算量過大的特點導致耗時在整個檢測過程中占比仍然很大。

                      總體來說,關于車道線檢測技術的應用一般是用于設計車道偏離預警系統,西方發達國家的汽車技術研究起步較早,研究內容也更精細化,也有許多系統已經投入了實際使用,比較具有代表性的有:AutoVue 系統、Mobileye_AWS 系統以及 DSS 系統[14].而我國業界也越來越重視輔助駕駛系統的研發,相應的汽車技術在近幾年也成果頗豐,比較有代表性的是吉林大學研發的 JLUVA-1 系統[15]及清華大學研發的 THMR 系統[16],基于 DSP 的嵌入式預警系統也越來越多的投入到業界的使用中。

                      1.1.2 標識物圖像識別技術發展概況

                      標識物的識別作為計算機視覺中的研究熱點,如何快速準確的將復雜環境中的標識物進行識別與分析也是智能監測系統中的重要一環。大體來說,標識物可以分為自然標記物和人為標記物。因為自然標識物的特殊性,在一些場景尤其是在復雜場景中僅使用通用的算法無法對標識物進行有效的識別,并且某些自然標識也很難利用程序語言很好的進行描述,這往往會帶來十分復雜的工作;但是對于具有指定特征的人為標識物來說,這些問題都得到了有效的解決,人為標識物設計方便且只要與外部環境相比具有唯一特征,監測者通過攝像頭可以輕易的與監測物體進行實時交互,也能更好的提升監測得精確性與魯棒性[17].不同的輪廓、顏色的標識物都有著不同的識別算法、識別速度以及識別精度,設計在特定環境中便于識別的人工標識物可以為圖像處理、增強現實等應用提供落腳點,這也是人為標識物使用的關鍵的一步,合理的設計選取標識物能有大大降低技術實現的難度[18].

                      當前,業界普遍設計的人為標識物因使用環境雖各有不同,但是特征基本類似:具有便于攝像頭識別的規則輪廓和具有外部環境不具有的色彩作為填充色。

                      由于幾何形狀輪廓具有穩定性,通常在外界中很難發生形變,即使因攝像機視角產生變化,也可以通過視角變換方式轉換回原本的幾何形狀,所以對于幾何輪廓的分析在計算機視覺中具有十分重要的意義[19];而色彩檢測中,將色彩從采集的RGB 空間轉換到其他特定的色彩空間中,能夠便于計算機識別,也可以盡可能減少光照等外部環境帶來的影響,F在各國學者對于人為標記識別算法的研究也基本上是在此兩者上做出創新:Jang G J 等設計的自相似灰色模式路標使得車輛能夠在室內更為可靠的尋找標記[20],Cheng-Chin Chiang 等基于主動形狀模型(ActiveShape Model, ASM)設計初始臉部標識從而能進行人臉識別[21],但是他們共同的缺點是使用特殊輪廓作為標記的特征卻又非常依賴于圖像中的降噪過程,若降噪效果不明顯或者外界干擾較多,底層處理結果明顯會大打折扣;夏德芳等設計了基于海明編碼特征的人為標識,利用水漫填充法和矩形輪廓的幾何特征,識別人工標識物的四個角點,從而實現對標識的快速識別,解決了人為標識檢測算法速度慢、實時性較差等問題[22].

                      人為標識物的識別在業界有著廣泛的應用,如無人機和智能車通過人為標識物來進行區域內的導航與定位,對某些設備指定部件的監測,并且攝影測量中作為輔助工具更具有穩定性和魯棒性,F階段,隨著增強現實的廣泛應用對標識物識別的準確性與實時性也提出了更為嚴格的要求。

                      1.1.3 閱兵裝備方隊簡述

                      在當今時代,雖然我國的發展速度有目共睹,但是仍然有部分國家或地區對我國的科技和軍事實力不以為意,并對我國的邊界圖謀不軌,更有甚者,在國際上不斷宣揚中國威脅論的謬論,意在侵蝕我國領土。為了展示我軍的軍事實力,中國人民解放軍定期會舉行莊嚴的閱兵儀式。進行整齊劃一的閱兵儀式是中國人民解放軍的傳統,能夠充分展示我軍建設中取得的巨大成果,通過閱兵式可以展現我們部隊雄厚的軍事科技實力和良好的軍容軍貌,同時能夠充分體現解放軍戰士保家衛國的信念。

                      閱兵裝備方隊大多由裝甲車組成,更有甚者會在車上配備武器裝備,如圖 1-2所示,此類車輛特點是車型龐大,操控起來十分困難,要做到在閱兵式中毫無偏差的行進是一個非常困難的事情,閱兵裝備方隊通常要經過長時間高強度的訓練才能實現。閱兵車輛方隊整齊行駛的要求是車輛行駛速度相同,車輛行駛方向控 制在精準范圍內,這就需要每一輛車要保證精確的橫向控制和縱向控制[23].縱向控制是指對車輛前后方向的控制,同一列的車輛中心線要重合;橫向控制是指對車輛垂直于行駛方向的控制,也就是左右方向的控制,同一行的車輛要保持車頭與車尾對齊。只有這樣才能確保整個車輛方隊行駛高度整齊,將類型相同的閱兵車輛整體化,整齊劃一的行駛可以充分展示我軍裝甲車輛和大型武器運載車輛的優良性能和精確控制。

                      閱兵裝備方隊車輛行駛標準示意圖如圖 1-3 所示,其中 1 車為方隊基準車,方隊中所有車輛要向該車輛看齊,4、8、12、16 車被稱為排面基準車,同一行的車輛要與這些車輛看齊,方隊其余車輛為跟隨車,虛線代表車道線,箭頭方向表示跟隨車需要對齊的方向。所有的跟隨車都要以基準車為標準,按照騎線和標齊[24] 的方式進行行駛:騎線,指的是車輛中心與車道線中心重合行駛的行駛方式,這樣在保證車輛在按照直線行駛的前提下確保同一列車輛在行駛中不會產生左右的橫向偏移,車道線成為了車輛的"軌道";標齊,是指所有跟隨車要與相應的側面車輛進行對齊,從而確保同一排車輛在行駛中不會產生前后的縱向偏移。通過實現閱兵車輛騎線和標齊的行駛方式,做到對特種車輛的精確控制,裝備方隊將會作為一個整體,整齊劃一的行駛過天安門廣場接受檢閱。

                      1.2 基于計算機視覺的裝備方隊輔助訓練系統簡述

                      1.2.1 橫向車道線偏移識別

                      1.2.2 縱向標識物偏移識別

                      1.2.3 后端數據存儲與計算

                      1.3 本文主要研究內容及論文架構安排

                      2 車道線偏移識別算法改進

                      2.1 原始圖像采集

                      2.2 圖像預處理

                      2.2.1 提取 ROI 區域

                      2.2.1 灰度化處理

                      2.3 圖像降噪

                      2.3.1 高斯濾波

                      2.3.2 自適應中值濾波

                      2.3.3 形態學閉操作

                      2.4 邊緣檢測

                      2.4.1 基于一階微分的邊緣檢測

                      2.4.2 基于二階微分的邊緣檢測

                      2.4.3 Canny 邊緣檢測算法的改進

                      2.5 邊緣擬合與偏移距離計算

                      2.5.1 Hough 直線變換

                      2.5.2 LSD 直線檢測算法

                      2.5.3 擬合算法的選用與偏移距離的計算

                      2.6 本章小結

                      3 標識物偏移識別方法設計

                      3.1 標識物設計與原始圖像采集

                      3.1.1 標識物設計

                      3.1.2 原始圖像采集

                      3.2 圖像預處理

                      3.2.1 提取 ROI 區域

                      3.2.1 圖像降噪

                      3.3 顏色檢測

                      3.3.1 色彩空間與轉換

                      3.3.2 HSV 色彩空間的顏色檢測

                      3.4 標識物篩選

                      3.4.1 連接輪廓

                      3.4.2 輪廓包圍面積篩選

                      3.4.3 輪廓形狀篩選

                      3.5 偏移距離計算

                      3.6 本章小結

                      4 數據庫與界面程序設計

                      4.1 數據庫設計

                      4.1.1 MySQL 數據庫介紹

                      4.1.2 系統數據庫的設計

                      4.2 界面程序設計

                      4.2.1 Qt 開發平臺介紹

                      4.2.2 系統界面程序設計

                      4.3 本章小結

                      5 實驗與討論

                      5.1 實驗準備

                      5.1.1 攝像頭的標定

                      5.1.2 像素距離與物理距離轉換標定

                      5.2 算法性能實驗

                      5.2.1 算法評價標準

                      5.2.2 降噪算法實驗

                      5.2.3 邊緣檢測算子實驗

                      5.2.4 自適應求取高低閾值實驗

                      5.2.5 邊緣擬合速度實驗

                      5.3 綜合實驗

                      5.3.1 車道線偏移識別綜合實驗

                      5.3.2 標識物偏移識別綜合實驗

                      5.4 本章小結

                    6 結論

                      本文以建國 70 周年大閱兵為契機,以車輛輔助訓練及考核系統開發為研究課題,通過優化相關的圖像處理算法、運用數據庫技術以及開發相應的界面程序設計了基于計算機視覺的裝備方隊訓練系統,并將其成功應用于某閱兵訓練方隊的日常訓練中。論文的主要研究內容和成果有:

                     。1)改進相應的車道線算法:在檢測準確性方面,使用了自適應中值濾波算法和形態學閉操作來替代高斯濾波,來防止邊緣信息減弱,同時消除椒鹽噪聲以及填補細小的細小孔洞,并且提高了系統 1.8%的識別率;在 Sobel 算子中增加了對角線方向的梯度幅值計算,提高了邊緣定位精度,并且提高系統 3.2%的識別率。

                      在檢測的速度方面,提出了基于最小誤差法的交點迭代法來縮小 OTSU 算法所需遍歷梯度模值的范圍,提高了算法 5.9%的計算速度;約束 Hough 邊緣擬合中從而減少算法的運算量,減少了 4.9%的計算時間。通過改進,使得系統的識別率達到了 95.3%,平均偏移誤差為 0.19cm,平均耗時為 65.1ms,基本符合系統的需求。

                     。2)設計完備的標識物識別流程:為了對紅色的標識物進行識別,在提取了圖像紅色區域后,對輪廓包圍的區域計算面積和輪廓的形狀進行了篩選。經過實驗分析,面積篩選會提高系統 3.3%的識別率,輪廓形狀篩選會提高系統 1.4%的識別率,最終使系統的識別率達到了 97.0%,平均偏移誤差為 0.13cm,平均耗時為52.1ms,基本符合系統的需求。

                     。3)為了使得系統具有良好的人機交互功能,合理選擇開發平臺,對數據庫以及界面程序進行了設計與編寫。

                      由于時間緊迫以及本人學術水平和掌握資料有限的原因,本文所設計的系統中仍然有需要研究與改進的地方:

                     。1)在車道線偏移識別模塊中識別的過程中,當車道線邊緣磨損程度過高的情況下,算法無法識別對車道線中心進行準確提取,如何針對磨損作出有效的識別是下一步車道線識別研究的重點所在。

                     。2)在標識物偏移識別模塊中識別的過程中,隨著光照的變化,人工標識物的在 HSV 空間內的顏色閾值可能會發生相應的變化,如何對閾值進行自適應的提取需要接下來對系統進行改進。

                     。3)在計算偏移距離時,本文將兩個模塊分別計算求取,但是車輛作為一個整體,一般情況下一方的變化同樣會引起另一方的偏移距離的改變,如何將兩個模塊用數學模型進行擬合需要進行進一步的推到與驗證。

                     。4)為了使得系統具有良好的計算速度,本項目采用的設備主要是車載便攜式主機,并且系統中需要兩個攝像頭同時工作,至少需要雙核的 CPU 進行運算,單套裝備成本較高,如何將硬件設備成本降低也是需要思考的問題。

                      總之,該系統是計算機視覺技術在軍事訓練領域內的一次嘗試,同時也可以將某些算法應用到其他領域,比如說在醫學圖像中針對病變體進行識別,或者對一些特殊的機械機構進行檢測等,希望能夠為他人提供良好的思路。

                      參考文獻

                      [1] 劉威, 李建濤。 無人駕駛車輛的車道保持及車道線檢測方法[J].技術與市場, 2019, 26(08):92+94.

                      [2] 李昀澤。 基于激光雷達的室內機器人 SLAM 研究[D]. 華南理工大學, 2016.

                      [3] Choi Y W, Jang Y W, Lee H J, et al. Three-dimensional LiDAR data classifying to extract roadpoint in urban area[J]. IEEE Geoscience and Remote Sensing Letters, 2008, 5(4): 725-729.

                      [4] Kibbel J, Justus W, Furstenberg K. Lane estimation and departure warning using multilayerlaserscanner[C]//Proceedings. 2005 IEEE Intelligent Transportation Systems, 2005. IEEE, 2005:607-611.

                      [5] Lindner P, Richter E, Wanielik G, et al. Multi-channel lidar processing for lane detection andestimation[C]//2009 12th International IEEE Conference on Intelligent Transportation Systems.IEEE, 2009: 1-6.

                      [6] 吳毅華, 梁華為, 王智靈, 等。 基于激光雷達回波信號的自適應閾值車道線檢測[J]. 機器人,2015, 37(4): 451-458.

                      [7] Mammeri A, Boukerche A, Lu G. Lane detection and tracking system based on the MSERalgorithm, hough transform and kalman filter[C]//Proceedings of the 17th ACM internationalconference on Modeling, analysis and simulation of wireless and mobile systems. 2014:259-266.

                      [8] Zhou S, Jiang Y, Xi J, et al. A novel lane detection based on geometrical model and gaborfilter[C]//2010 IEEE Intelligent Vehicles Symposium. IEEE, 2010: 59-64.

                      [9] Wei Y, Tian Q, Guo J, et al. Multi-vehicle detection algorithm through combining Harr and HOGfeatures[J]. Mathematics and Computers in Simulation, 2019, 155: 130-145.

                      [10] 辛超, 劉揚。 基于概率霍夫變換的車道線識別算法[J]. 測繪通報, 2019(S2):52-55.

                      [11] Hammouche K, Diaf M, Siarry P. A multilevel automatic thresholding method based on agenetic algorithm for a fast image segmentation[J]. Computer Vision and Image Understanding,2008, 109(2): 163-175.

                      [12] 梁肇峻, 鐘俊。 基于Otsu算法與直方圖分析的自適應Canny算法的改進[J]. 現代電子技術,2019, 42(11): 54-58.

                      [13] 萬琴, 朱曉林, 肖岳平, 等。 面向復雜城市交通場景的一種實時車道線檢測方法[J]. 計算機測量與控制, 2019, 27(09): 61-65+122.

                      [14] 秦欽龍。 基于 FPGA 的車道線檢測系統設計[D]. 哈爾濱工程大學, 2016.

                      [15] 杜滕州。 基于單目視覺的夜間車輛識別與測距方法研究[D]. 山東理工大學, 2013.

                      [16] 楊欣欣。 智能移動機器人導航與控制技術的研究[D]. 清華大學, 1999.

                      [17] Wu Y, Niu X, Du J, et al. Artificial Marker and MEMS IMU-Based Pose Estimation Method toMeet Multirotor UAV Landing Requirements[J]. Sensors, 2019, 19(24): 5428.

                      [18] 李聰。 基于 FPGA 的增強現實人工標識識別[J]. 電子科技, 2014, 27(05): 119-122.

                      [19] Parakkat A D, Peethambaran J, Joseph P, et al. A graph-based geometric approach to contourextraction from noisy binary images[J]. Computer-Aided Design and Applications, 2015, 12(4):403-413.

                      [20] Billinghurst M, Clark A, Lee G. A survey of augmented reality[J]. Foundations and Trends? inHuman-Computer Interaction, 2015, 8(2-3): 73-272.

                      [21] Jang G, Lee S, Kweon I. Color landmark based self-localization for indoor mobilerobots[C]//Proceedings 2002 IEEE International Conference on Robotics and Automation (Cat.No. 02CH37292)。 IEEE, 2002, 1: 1037-1042.

                      [22] 夏德芳, 劉傳才。 基于人工標識的移動增強現實配準方法[J]. 現代電子技術, 2015, 38(08):26-30.

                      [23] 北斗高精度智能考訓系統在閱兵車輛編隊訓練中的應用[J]. 計算機測量與控制, 2015,23(09): 3256-3257.

                      [24] 袁一, 李偉, 張軍, 等。 基于機器視覺和無線通信的閱兵車輛裝備方隊訓練考核系統設計與實現[J]. 軍事交通學院學報, 2010, 12(2): 50-53.

                      [25] Himeur Y, Boukabou A. Robust image transmission over powerline channel with impulsenoise[J]. Multimedia Tools and Applications, 2017, 76(2): 2813-2835.

                      [26] Güne? A, Kalkan H, Durmu? E. Optimizing the color-to-grayscale conversion for imageclassification[J]. Signal, Image and Video Processing, 2016, 10(5): 853-860.

                      [27] Yuwono B. Image Smoothing Menggunakan Mean Filtering, Median Filtering, Modus Filteringdan Gaussian Filtering[J]. Telematika: Jurnal Informatika dan Teknologi Informasi, 2015, 7(1)。

                      [28] Erkan U, G?krem L, Engino?lu S. Different applied median filter in salt and pepper noise[J].Computers & Electrical Engineering, 2018, 70: 789-798.

                      [29] Verma K, Singh B K, Thoke A S. An enhancement in adaptive median filter for edgepreservation[J]. Procedia Computer Science, 2015, 48(C): 29-36.

                      [30] 蘭霞, 劉欣鑫, 沈煥鋒, 等。 一種消除高密度椒鹽噪聲的迭代中值濾波算法[J]. 武漢大學學報(信息科學版), 2017, 42(12): 1731-1737.

                      [31] Roy A, Laskar R H. Non-casual linear prediction based adaptive filter for removal of highdensity impulse noise from color images[J]. AEU-International Journal of Electronics andCommunications, 2017, 72: 114-124.

                      [32] Raid A M, Khedr W M, El-Dosuky M A, et al. Image restoration based on morphologicaloperations[J]. International Journal of Computer Science, Engineering and InformationTechnology (IJCSEIT), 2014, 4(3): 9-21.

                      [33] Deng G, Pinoli J C. Differentiation-based edge detection using the logarithmic image processingmodel[J]. Journal of Mathematical Imaging and Vision, 1998, 8(2): 161-180.

                      [34] Roy A, Laskar R H. Non-casual linear prediction based adaptive filter for removal of highdensity impulse noise from color images[J]. AEU-International Journal of Electronics andCommunications, 2017, 72: 114-124.

                      [35] Canny J. A computational approach to edge detection[J]. IEEE Transactions on pattern analysisand machine intelligence, 1986 (6): 679-698.

                      [36] 陳明晶, 方源敏, 陳杰。 最小二乘法和迭代法圓曲線擬合[J]. 測繪科學, 2016, 41(01):194-197+202.

                      [37] 彭湃。 自主車輛道路線檢測與偏離預警方法研究[D]. 湖南大學, 2015.

                      [38] 魏雄。 基于 OpenCV 的車牌識別系統中車牌定位的實現[J]. 電子世界, 2019(03): 113-115.

                      [39] Huo Y K, Wei G, Zhang Y D, et al. An adaptive threshold for the Canny Operator of edgedetection[C]//2010 International Conference on Image Analysis and Signal Processing. IEEE,2010: 371-374.

                      [40] 梁肇峻, 鐘俊。 基于Otsu算法與直方圖分析的自適應Canny算法的改進[J]. 現代電子技術,2019, 42(11): 54-58.

                      [41] Chen P, Zou T, Chen J Y, et al. The application of improved pso algorithm in pmmw image ostuthreshold segmentation[C]//Applied Mechanics and Materials. Trans Tech Publications Ltd,2015, 721: 779-782.

                      [42] Vala H J, Baxi A. A review on Otsu image segmentation algorithm[J]. International Journal ofAdvanced Research in Computer Engineering & Technology (IJARCET), 2013, 2(2): 387-389.

                      [43] 許宏科, 秦嚴嚴, 陳會茹。 一種基于改進 Canny 的邊緣檢測算法[J]. 紅外技術, 2014,36(03): 210-214.

                      [44] Kittler J, Illingworth J. Minimum error thresholding[J]. Pattern recognition, 1986, 19(1): 41-47.

                      [45] Fan J. Notes on Poisson distribution-based minimum error thresholding[J]. Pattern RecognitionLetters, 1998, 19(5-6): 425-431.

                      [46] Chatzis V, Pitas I. Fuzzy cell Hough transform for curve detection[J]. Pattern Recognition, 1997,30(12): 2031-2042.

                      [47] Duan D, Xie M, Mo Q, et al. An improved Hough transform for line detection[C]//2010International Conference on Computer Application and System Modeling (ICCASM 2010)。IEEE, 2010, 2: V2-354-V2-357.

                      [48] Von Gioi R G, Jakubowicz J, Morel J M, et al. LSD: A fast line segment detector with a falsedetection control[J]. IEEE transactions on pattern analysis and machine intelligence, 2008, 32(4):722-732.

                      [49] 顏為朗。 基于計算機視覺的鐵路棚車門窗開閉狀態檢測算法研究[D]. 武漢理工大學,2018.

                      [50] 王志, 汪步云, 胡漢春, 等。 移動機器人導航系統中的車道線檢測方法及實現[J]. 計算機測量與控制, 2019, 27(09): 42-46.

                      [51] Babinec A, Juri?ica L, Hubinsk? P, et al. Visual localization of mobile robot using artificialmarkers[J]. Procedia Engineering, 2014, 96(6): 1-9.

                      [52] Bergamasco F, Albarelli A, Cosmo L, et al. An accurate and robust artificial marker based oncyclic codes[J]. IEEE transactions on pattern analysis and machine intelligence, 2016, 38(12):2359-2373.

                      [53] 袁一丹。 基于圖像識別的工作人員穿戴規范性檢測技術研究[D]. 電子科技大學, 2019.

                      [54] Suzuki S. Topological structural analysis of digitized binary images by border following[J].Computer vision, graphics, and image processing, 1985, 30(1): 32-46.

                      [55] 李昌海, 葉玉堂, 沈淦松, 等;趫D像輪廓分析的LCD線路缺陷檢測[J]. 激光技術, 2013,37(02): 207-210.

                      [56] Takashimizu Y, Iiyoshi M. New parameter of roundness R: circularity corrected by aspectratio[J]. Progress in Earth and Planetary Science, 2016, 3(1): 2.

                      [57] Tummalapalli S, rao Machavarapu V. Managing mysql cluster data using cloudera impala[J].Procedia Computer Science, 2016, 85(5): 463-474.

                      [58] Abdel-Aziz Y I, Karara H M, Hauck M. Direct linear transformation from comparatorcoordinates into object space coordinates in close-range photogrammetry[J]. PhotogrammetricEngineering & Remote Sensing, 2015, 81(2): 103-107.

                      [59] 林卉, 趙長勝, 舒寧。 基于 Canny 算子的邊緣檢測及評價[J]. 黑龍江工程學院學報,2003(02): 3-6+16.

                    致謝

                     

                      畢業論文的書寫已經接近尾聲,時光飛逝,三年的碩士研究生生涯將迎來最后一刻。在北京交通大學七年的時光雖然馬上就要以句號結束,但是那些難忘的時刻定會此生銘記,再回首,往事依舊。

                      人生有許多關鍵點,人生也有許多人許多感謝要銘記于心。

                      首先,我要對我的導師陳福恩老師說一聲謝謝,能成為您的學生是我今生的榮耀。

                      所謂師者,所以傳道授業解惑也。陳老師不但在學術工作中悉心指導,更是在生活中給予了我很大的幫助。您講述的學習方法與為人處世的道理將陪伴我在接下來的生活中一同前行。感謝付文秀老師在我大學時代給予的種種鼓勵與支持,感謝宋宇老師在我迷茫中幫我指點迷津。同時,感謝北京交通大學大學的所有老師,學生生涯能得到您們的栽培是我的榮幸。

                      再次,我要感謝我的室友龔成貴和石賀,我們一起朝夕相處的三年時光,感謝你們在生活和學習中的對我的關心照顧;感謝梁曉明師兄、胡靜師妹、王琪琪師妹、還有王馨師妹,感謝你們在論文與項目中對于我的關照,同時沒能給予你們很大的幫助表示深感愧疚,希望在以后的道路上,我們能夠互相幫助,共同前行。

                      同樣,我要感謝女朋友張漻,謝謝你一直在我身邊給予鼓勵,讓我有著對美好生活的向往和努力前進的勇氣;感謝我的好兄弟陳福橋、高迪和宋宇,因為才使得我大學生涯充滿了歡樂,謝謝你們在我低谷時期的安慰。

                      最后,我需要感謝我的家人,感謝你們在背后的支持。如果我能夠獲得一點點的成就,那也就是因為我站在了你們的肩膀上。感謝你們在我身后的默默付出,你們的健康和幸福是我今生最大的愿望。

                      因疫情影響,無法與幫助我的各位暢談未來,把酒言歡,可能在將來也鮮有機會當面道謝,唯有向我的老師、朋友們送上我最真摯的祝福,愿你們在以后的日子里一切安好。江湖雖遠,后會有期。

                    (如您需要查看本篇畢業設計全文,請您聯系客服索。

                    相關內容
                    相關標簽:計算機畢業設計
                    好優論文定制中心主要為您提供代做畢業設計及各專業畢業論文寫作輔導服務。 網站地圖
                    所有論文、資料均源于網上的共享資源以及一些期刊雜志,所有論文僅免費供網友間相互學習交流之用,請特別注意勿做其他非法用途。
                    如有侵犯您的版權或其他有損您利益的行為,請聯系指出,論文定制中心會立即進行改正或刪除有關內容!

                    將微信二維碼保存到相冊

                    打開微信掃一掃從相冊識別

                    1.點擊下面按鈕復制QQ號

                    3008637063

                    2.打開QQ→添加好友/群

                    粘貼QQ號,加我為好友

                    MM1314午夜免费视频