Android平台下车道线检测程序设计外文翻译资料

 2022-04-07 23:40:15

英语原文共 31 页，剩余内容已隐藏，支付完成后下载完整资料

Department Signals and Systems

Real-time camera based lane detection for autonomous driving

J.J.A. (Jasper) Spanjaards

Supervisors: Prof. Jonas Sjuml;oberg

Robert Hult

Eindhoven, September 2016

这份报告揭示和评估了一种新的基于单目视觉和惯性测量元件的实时车道检测算法。从摄像头获得的图像通过反透视变换从而生成一张道路的俯视图。此图像中的局部最大值决定车道标记。 使用二次规划去除局部最大值的缺陷并使拟合的直线与这些局部最大值相符。这种拟合表示当前行驶路线位于左侧和右侧车道线之外。 通过这些拟合来计算车道宽度和到车道中心的车辆距离， 车辆IMU用于在下一个时间帧内预测车道标记。，以上这些构成了一个以10Hz的频率实时工作的车道检测算法。 该算法经过验证，能够成功检测到公路场景中车道宽度和车辆与中心的距离的准确度达94％。 对于算法无法精确判断的情况，该算法会发送一个错误信号。 在大多数情况下，该算法能够通过逻辑语句来最小化错误，并依靠于之前的测算进行修正。 因此可以得出这样的结论：该算法可以用于在高速公路条件下保持车辆在行车道中的位置。

前言

我在荷兰埃因霍温的埃因霍温科技大学攻读硕士学位课程的时候，实习是课程的一部分。 我有幸参加了在瑞典哥德堡的查尔姆斯理工大学的实习。 实习任务的目标是为2016年5月在埃因霍温地区举办的大型合作驾驶挑战赛开发，实施和测试车道检测算法。 查尔姆斯理工大学与其他9个参与方一起参与了这一挑战，其中就有埃因霍温科技大学。

在此我想感谢TU / e的教授Henk Nijmeijer，他介绍我认识了我在Chalmers的主导师Jonas SjUacute;oberg教授。 此外，我要感谢我的日常导师Robert Hult在实习期间给我的帮助和知识。 对我所有的团队成员，我想说你们做得非常出色，你们努力工作并取得了不错的成绩。 我很荣幸能成为这支优秀团队的一员并参与这项活动。 最后，我要感谢我在我逗留期间认识的所有新朋友。 在我的实习期间，我在哥德堡的业余时间度过了愉快的时光。

内容

v

数据清单

vi

表单

vii

1 介绍

1

2 车道线检测方案

2.1 单目视觉

2

2
  1. 方法 6
    1. 相机输入 7
    2. 反透视变换 (IPM) 7
    3. 图像分割 9
    4. 兴趣区域 (ROI) switch 9
    5. 寻找局部最大值 10
    6. 基于直方图和拟合的异常值删除(HAFBOR) 10
    7. 约束线拟合 11
    8. 标线预测 12
    9. 线宽度以及与中心距离计算 13
    10. 结果 13
  2. 实施和验证 14
    1. 硬件 14
    2. 实施 14
      1. 验证 14
      2. 成功场景 14
      3. 失败场景 17
    3. 结果 18
  3. 总结与建议 19
    1. 总结 19
    2. 建议 19

参考文献 20

附录 21

  1. 附录 22
    1. 失败情形下的场景 22
    2. 失败情形下的场景的计算结果 23
    3. 车道检测算法过程概述 6
    4. IPM准则 8
    5. Rotating of camera body in an alternative frame using inverse perspective mapping8
    6. Schematic representation of how inverse perspective mapping works. The white lines represent the lane-markers and the blue represents the tarmac. 9
    7. Schematic representation of how local maxima outliers are removed 11
    8. Comparison of calculated lane-width and vehicle distance to center between vision and GPS algorithm. The distance traveled is circa 400m while the vehicle stays in the same lane. 15
    9. Results of lane-width, vehicle distance to center and error signal during real-time testing on highway. Vehicle was not in autonomous mode during this recordings..16
    10. Snapshot of the result during a real-time test of the algorithm. 17
    11. Driving scene during failure scenarios 23
    12. Result of algorithm calculations during failure scenarios 24

2.1 Overview of modalities 5

在汽车工业中，如今的重点越来越多地集中在提供半自动和半自动车辆上。为了在自主模式下安全驾驶，有必要使汽车能够与其他有自动驾驶或没有自动驾驶的车辆进行交互。 该系统必须具有感知周围环境的能力，例如行人以及道路本身[1] [4] [23]。 感知道路是自动驾驶的基础之一，可以通过多种方法来实现。其中一种方法是视觉方法，一个[1] [20]或多个摄像机[3]获取道路图像，然后对其进行处理以从中获取车道线信息。这是为了在自动驾驶时为系统提供车辆位置这个重要信息。这个项目构建了一个新的算法，能使用相机检测车道线和车辆位置。

在本报告中首先描述了哪些方法可用于实现车道内车辆的位置测量[13]。 此后在这些模式之间作出选择。 然后使用此模式创建实时车道检测算法，并在本报告中进行了解释。 其中一种方法是使用和人类感知方式相同的视觉[2]方案，。 人们通过观察道路和车道线来按规定驾驶，或者在他们决定超车时确定转向方向。 这种模式被用于这种该算法，该算法将相对于车道中心的车道宽度和车辆距离提供给横向控制器。 可能的替代方式已经论证，并在第一章中作了简要解释。

在第二章中，解释了这种实时车道检测算法的工作原理。 它是基于道路的反向透视映射[5]原理，由相机获得。 结合找到局部最大值来获得车道标记，确定车辆的位置以及前方道路。 该算法在2016年5月在荷兰赫尔蒙德举行的大合作驾驶挑战赛（GCDC，http://www.gcdc.net）期间得以使用。这是一个由来自欧洲各地的学生团队协作应对的挑战，即合作实现自动驾驶。 由于该算法是针对GCDC设计的，因此重要意义体现在它适用于高速公路场景，包括有直线或曲线，并且车道两侧有着状况良好的车道线和低坡度的道路。第三章则对算法进行了评估。

车道检测算法必须足够快才能保证实时运行。 它也必须具有较强的鲁棒性，以便它可以在各种条件下工作，所以它必须满足以下条件：
bull;以足够的频率实时运行，以确保误差保持在范围内并且不会导致任何危险情况。
bull;车道检测的质量不应受阴影影响，阴影可能由树木，建筑物等投射。
bull;它必须能够处理低弯路（高速公路条件

全文共21123字，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[14450]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

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。

您可能感兴趣的文章