一、透视“停车位”……（论文文献综述）
范梦阳[1]（2021）在《基于环视图的自动泊车停车位检测方法》文中认为"停车难"这一问题变得日益严峻,自动泊车系统的研究也就显得至关重要,停车位检测是自动泊车系统的重要组成部分。环视图通过逆透视变换消除了透视畸变,恢复了库位线的平行、垂直、间距等几何信息,可以直接利用图像中的库位线满足的几何约束约束特征来实现停车位检测。利用安装在车辆四周的四个鱼眼摄像头采集图像,经过畸变矫正、逆透视变换、重合区域拼接可以得到车辆的环视图。摄像头在采集图像的过程中必然会引入各种噪声,首先需要对环视图通过均值滤波、中值滤波、高斯滤波等方式进行降噪处理。之后,进行灰度化,以减少后续图像处理的计算量。由于库位线与地面的灰度信息不一致,灰度化后的图像仍然保留了库位线的灰度特征,仍然可以利用该灰度差异区分出停车位线和地面。在对环视图进行滤波降噪、灰度化等图像预处理操作之后,通过边缘检测得到库位线的边缘。之后利用霍夫变换提取出边缘图像中的直线。根据《中华人民共和国国家标准/道路交通标志和标线（第 3 部分:道路交通标线）》（GB5768.3-2009）标准中对停车位标线宽度、尺寸和设置方式的规定,提取划线停车位应满足的几何约束特征条件,可以识别出停车位。在此基础上,融合车辆定位模块得到的车辆位姿信息对单帧图像中检测到的停车位在图像序列中进行跟踪,进一步提高停车位检测正确率和检测精度。
李荣达[2]（2021）在《基于车载相机的实时停车位及车位线检测算法研究》文中研究指明近几年汽车行业跟信息技术的不断融合使得无人驾驶技术在行业里迅速发展,促使越来越多的人去研究。随着国内经济的不断增长,国内汽车保有量每天都在增加,交通事故时有发生,城市道路通行率低下,这都严重影响着人们的生活,而自动驾驶成为解决这些问题的重要途径。自动驾驶环节中,自动泊车环节也是重点研究方向。目前自动泊车系统中应用较多的是基于超声波和红外雷达的泊车系统,然而当目标停车位周围没有物体作为参考时,系统就无法找到目标空车位,于是人们开始从计算机视觉的角度入手解决问题。本文提出一种基于车载相机的实时停车位与车位线的检测算法,这种方法在不同的情况下都可以准确、高效地检测出空闲停车位,为自动泊车控制系统提供信息,使汽车能够准确停入停车位。本文主要完成以下几个方面的研究与实现:考虑到汽车泊车过程的安全性,要尽量做到视野范围足够大,在摄像机选取过程中,研究了摄像机的选取数量以及摄像机的安装方式;在总结以往停车位检测方法的基础上,本文提出了基于几何特征的改进停车位检测算法,先对不同的停车位场景进行分类,根据特征设计不同的检测算法和判断方法,确定停车位位置;在汽车泊车的过程中,针对左、右、后车位线进行检测,提高泊车的成功率,并且以停车位为中心建立一个新的坐标系,将前两个方面检测到的结果在新建立的坐标系中找到对应关系,输出相应的距离与角度信息,为自动泊车控制系统提供有效信息;针对实时性的研究,从硬件选取以及算法方面入手,采用Open MP多线程的方法,达到实时检测效果。将检测算法移植到TX2嵌入式平台,经过实验证明,该检测算法对不同场景下的停车位检测都有较好的效果。能够在一定程度消除阴影、障碍物遮挡和停车位自身缺损的问题,且达到实时检测的效果。对进一步的应用具有较好的参考价值。
刘通[3]（2021）在《基于车载环视算法的泊车辅助系统的研究与实现》文中研究说明在ADAS（Advanced Driver Assistance System,高级驾驶辅助系统）的迅猛趋势下,车载计算资源越来越紧缺。为了降低对车载计算资源的占用,本文提出了一种异构计算的车载环视生成算法,使用GPU（Graphic Processing Unit）加速计算密集算法的计算,并且对部分传统的算法进行优化以提高系统的鲁棒性。为了迎合车联网和云计算的强劲趋势,本文建立了一种基于车联网的车载环视生成算法。为了提高ADAS的一体化进程,对基于环视图像的泊车位识别进行了深入的研究,同时来提高泊车位识别的准确率。本文的关注点在于异构计算的车载环视生成算法、基于车联网的车载环视生成算法、基于环视图像的车位识别算法,主要的研究内容如下:（1）首先本文改进了传统的车载环视生成算法,提出了一种基于异构架构的车载环视生成算法。本文将部分计算密集型算法使用异构架构来进行并行计算以提高算法的整体效率,同时改进了部分环视生成算法的步骤以提高整体算法的鲁棒性:提出了一种改进的基于几何约束的俯视变换算法,以提高俯视变换后图像的质量与降低后续图像对齐与融合的复杂度;在图像对齐与融合算法中,改进了拼接模板以提高原始图像信息的利用率。（2）构建了一种基于车联网的车载环视生成算法系统,将复杂的逻辑上传至高计算能力的服务端进行运算,车载客户端只进行必要的信息获取与展示,以大幅度降低车载CPU（Central Processing Unit）的占用率与提升对紧急任务的响应能力。（3）在形成环视图像的基础上,对泊车位的识别进行了更深入的研究。首先利用直线检测结合角点检测的双约束来实现泊车位拐点的确定,以提升泊车位拐点的识别概率与降低误识别的概率,然后利用改进的泊车位模板匹配算法进行泊车位类型与位置的确定。实验结果表明,本文提出异构架构的环视图像生成算法,能够极大的提高系统的利用率;在基于车联网的环视图像生成算法部分,本文所提出的算法能够正确的传输视频流,由于采用了多线程技使其能达到实时性的要求;在泊车位识别阶段,直线检测结合角点检测的双约束可以准确识别出泊车位角点并且能极大降低误识别的概率。本文提出的方法具有较强的鲁棒性和可行性。
展恩昊[4]（2021）在《基于视觉的空闲停车位检测算法研究》文中研究表明随着我国汽车保有量的不断增长,城市交通资源紧张问题日益严峻,停车难问题困扰着越来越多的驾驶员,自动泊车系统作为智能驾驶技术的最后一环,不仅对乘客的乘坐体验有着重要影响,而且对于智能驾驶技术最终是否能够投入应用具有重要的意义。在自动泊车系统中,停车位的检测是极为关键的一环,停车位检测的准确度直接决定了自动泊车的最终效果。本文采用基于视觉的技术路线,对空闲停车位的检测算法进行了研究。将空闲停车位的检测分为停车位的定位以及空闲车位的识别两个环节,结合泊车影像特点又将定位环节分为头部角点的定位以及尾部顶点坐标的推理两部分。论文主要完成了以下工作内容:（1）针对停车位头部角点的定位,提出一种可全面提取停车位信息的停车位角点分类规则,并应用该规则基于YOLOv3完成停车位头部角点的检测。通过分析不同类型停车位的特点以及停车位尾部顶点坐标推理过程中所需的信息,确定了一种停车位角点分类规则。应用该规则进行停车位角点的检测,可在确定头部角点坐标的同时获得可用于尾部顶点坐标推理的停车位信息。应用上述角点分类规则对环视泊车影像数据集进行标注分类,并搭建YOLOv3神经网络,采用标注好的数据集对网络模型进行训练得到了停车位角点检测模型。（2）针对停车位尾部顶点的定位,基于角点检测得到的停车位信息完成了停车位尾部顶点的推理定位。基于停车位角点检测获得的停车位信息,给出了停车位尾部顶点的推理规则,通过推理确定了停车位尾部顶点的坐标位置,完成了对环视泊车影像中停车位的定位。实验结果表明,本文提出的停车位定位算法在多种路面环境下均具有较好的定位效果。（3）针对空闲停车位的识别,搭建卷积神经网络并制作数据集对网络进行训练,完成了对停车位空闲状态的识别。搭建卷积神经网络并制作了包含停车位头部区域的图像数据集作为训练数据,对网络进行训练得到停车位空闲状态分类器模型。实验结果表明,所提出的方法能够以较高的准确率完成空闲停车位识别任务。最后在环视泊车影像上进行了完整的空闲停车位检测仿真实验。实验结果表明,本文的空闲停车位检算法能够以较高的检测精度完成空闲停车位的检测。
龚天意[5]（2021）在《基于视觉与雷达传感器的自动泊车系统路径规划与跟踪研究》文中研究表明自动泊车系统能够帮助人们在泊车时避免由于操作不当而导致的交通安全事故,同时自动泊车系统也是智能汽车重要的组成部分,已经是国内外各大汽车生产商和高校的研究重点。本文针对自动泊车的车位检测、路径规划及路径跟踪展开研究,针对最常见的平行泊车场景,用摄像头和超声波雷达进行了车位检测,随后进行了路径规划并设计了路径跟踪控制器对泊车路径进行跟踪,并通过联合仿真和智能小车试验对模型的有效性进行验证,为开发低成本自动泊车系统或辅助驾驶系统提供了一部分参考。首先,针对目前自动泊车系统的车位检测存在一定程度上的漏检、误检等情况,本文采用摄像头和超声波雷达两种传感器分别对车位进行检测。对摄像头采集的车位图像进行一系列数字图像预处理操作,利用Hough变换原理检测出车位图像中的直线,基于Open CV平台在Visual studio中编写车位线拟合的程序,完成对车位的检测。利用超声波测距原理,当车辆平行于车位驶过时,通过超声波传感器发射到接收超声波的时间与超声波的传播速度的积的值与距离的关系探测出车位。其次,基于阿克曼转向原理对平行泊车运动过程进行分析,根据车身外轮廓点与后轴中心参考点的几何关系,推导出整车轮廓的运动规律。通过对比分析传统的路径规划方法的优缺点后,选用具有曲率连续且易于跟踪的B样条曲线作为本文的平行泊车路径。结合平行泊车场景的环境约束条件以及车辆自身的运动学约束条件,推导出了泊车需要的最小车位尺寸。然后,为降低车速对路径跟踪效果的影响,以及确保车辆在路径跟踪过程中满足车辆参数约束,基于模型预测控制理论设计了平行泊车的路径跟踪控制器,并在Simulink中进行了路径跟踪的仿真。最后,结合Carsim中的泊车场景与车辆运动学模型以及Simulink车辆运动控制模型,完成平行泊车系统控制策略的联合仿真验证。使用单片机搭建了智能小车试验平台,将控制代码加载进去后控制智能小车进行了平行泊车试验,验证了控制模型的有效性。
杨一帆[6]（2021）在《多传感器结合的自动泊车感知和路径规划研究》文中研究说明随着机动车数量的增加,越来越多的驾驶员被泊车难所困扰。智能汽车中的自动泊车功能,逐渐受到了驾驶员的关注。目前,使用摄像头识别车位的算法在环境信息简单、亮度适中的情况下能探测到车位。如果车位附近有其它复杂形状或与车位线颜色接近的物体,很可能无法探测到车位。现有的自动泊车路径规划研究中,大多数学者在规划路径时没有关注汽车原地转向的问题。为了解决以上的问题,本文设计了深度学习和Open CV结合的车位探测方法,增强了自动泊车感知模块抵抗环境干扰的能力,同时更加精确地找到车位角点的距离坐标位置。通过缓和曲线、多项式撒点法解决了自动泊车路径规划中的原地转向问题。主要的研究内容如下:（1）采集全景俯视图像。安装在汽车上的四个鱼眼摄像头采集原始图像,使用多项式模型和双线性插值校正鱼眼摄像头的畸变。使用灰度世界法平衡四个图像的亮度。通过求解透视变换矩阵将斜视图像转换成俯视图像。使用等比例拼接和加权融合方法得到全景俯视图像。在俯视图像中,把像素坐标转换到实际平面上的距离坐标。（2）识别平行车位和垂直车位。使用实验车拍摄的车位图像、论文数据集、手机摄像头拍摄的车位图像训练深度学习模型识别车位的大致位置。通过灰度化、图像滤波、形态学开运算提取出车位图像的背景、再去除背景、二值化处理后得到车位线。使用多项式拟合竖直和水平两个方向的车位线并找到车位的角点。再把车位图像上的像素坐标转换成全景俯视图像中相对自车的距离坐标。（3）超声波雷达探测障碍物。以飞思卡尔单片机开发板为基础,外接超声波雷达和温度传感器。温度传感器采集温度,补偿声速。超声波雷达通过高电平的持续时间和补偿后的声速得到障碍物的距离。使用串口传送温度和距离信息。（4）传感器结合探测车位。鱼眼摄像头探测车位线并确定车位的角点坐标,同时超声波雷达探测车位内部是否有障碍物。超声波雷达探测障碍物到汽车侧面的垂直距离,并和鱼眼摄像头结合探测障碍物到车位后边线的距离。（5）设计自动泊车的路径。将车位角点的距离坐标输入到路径规划模块并选取合适的角点为泊车坐标系的原点。在车辆低速运动学模型的基础上,使用缓和曲线和多项式撒点等方法在MATLAB中设计了垂直车位、平行车位的泊车路径。
郑文举[7]（2021）在《基于视觉传感器及深度学习的车位识别研究》文中研究表明随着经济科技的不断发展,汽车产业逐渐兴旺,汽车保有量日益增加,导致的是城市车位空间尤为紧张,对大多数人来讲,想要在狭窄的空间实现规整的停车实为奢望,甚至可能导致事故发生,由此自动泊车技术应运而生。本文提出了一种基于视觉传感器及深度学习方法的自动泊车车位识别方法,能够有效识别复杂环境下车位以便为后续实现精确泊车提供相关数据基础。本文具体研究内容有如下几方面:首先,为了满足驾驶员视线需求以及为后续车位线检测提供基础输入,本文采用车身周围四路鱼眼摄像头作为视觉传感器,采集畸变图像,利用Open CV自带的Kannala畸变投影模型对鱼眼相机标定及校正,利用算法实现图像逆透视变换,透视变换后的图像通过统一坐标的方法实现四幅图像融合,并通过加权平均消除拼接缝隙,生成360全景图像。其次,利用改进的YOLOv3检测器检测定位车位角点及停车位槽头,分类停车位类型并推断完整停车位,将ps2.0数据集添加车位占用分类标签,将检测到的停车位送入改进的卷积网络判断占用分类。最后,设定相关超参数,并利用谷歌大脑开发的Tensor Flow框架实现上述操作,将基于改进的YOLOv3检测器的检测模型与基于其他几种目标检测网络检测到的车位角点误差及检测速度对比。当识别车位类别后,利用改进的特定卷积网络对车位是否被占用进行分类,同时与几种现有目标检测分类网络对检测到的车位占用分类的分类精度、运行时间、模型大小等方面性能进行对比。并利用PSV数据集测试整个模型性能。
李荣达,桑海峰,张志佳,王士显[8]（2020）在《基于车载相机的实时停车位及车位线检测系统设计》文中研究表明本文设计了一种基于车载相机的实时停车位及车位线检测系统。通过安装多个车载相机来扩大检测视野,提高车位检测率,并对视觉传感器泊车技术进行了有关研究并完成停车位检测算法设计。通过对车载相机采集到的图像进行透视变换来减小检测难度,然后通过在不同灰度值下进行阈值分割的方法提取停车位特征,通过累计概率霍夫变换HoughLinesP来提取车位线,最后将算法移植到Jetson TX2嵌入式中,完成整个系统。将设计的系统在汽车上进行了实车安装、测试以及相机标定来验证系统功能,有较好的应用价值。
吕雪杰[9]（2020）在《基于环视视觉的自动泊车系统》文中指出由于泊车环境复杂多样,对驾驶员的驾驶水平有很高要求,稍有不慎就会导致车辆和周边障碍物或行人发生碰撞,造成交通事故。如何快速、安全的泊车,已经成为很多驾驶员头疼的问题。另外,随着自动驾驶技术的飞速发展,无人驾驶汽车也迫切需要解决无人值守自动泊车问题。为了解决这个问题,本文拟针对环视视觉场景,研究全自动无人泊车技术,在停车位检测和空车位分类方面提出了创新算法,并基于BS架构,设计并实现了自动泊车系统的仿真和验证。具体研究内容包括:（1）提出了一种停车位检测优化算法,显着提升了检测的精度和速度。在角点检测方面,通过引入焦点损失缓解了单步骤检测算法的正负样本不均衡问题;通过引入全局注意力机制,来构建通道间的依赖关系,实现重要特征的强化,从而获得性能上的提升;通过引入深度可分离卷积结构,极大地减小了网络的计算量,使得前向推理速度获得明显的提升。最终算法在公开数据集上精确率和召回率分别达到99.72%和99.17%。（2）提出了一种基于透视变换的空车位分类算法。为了使得停车位检测算法更加完整,且针对目前主流的空车位分类算法存在的数据依赖问题和需经验设置固定参数的问题,本文基于透视变换和深度卷积神经网络技术,提出了一种泛化性强、无需经验设置固定参数的空车位分类算法。在公开数据集上的实验表明,所提算法相较现有算法,获得了显着的性能提升。（3）设计并实现了基于BS架构的自动泊车系统。为了验证本文所提算法的实际效果,我们基于BS架构,设计并实现了一个操作方便、结果可视的全自动泊车仿真系统。为了构建一个完整的自动泊车系统,除了本文所提算法,我们还引入了路径规划、结果展示等相关模块。
范思奇[10]（2020）在《基于视觉的分布式驱动电动车自动平行泊车方法研究》文中研究说明随着汽车保有量的大幅增加,汽车在带给人们交通便捷的同时也让了城市交通拥堵和停车难的问题愈发严重。自动泊车技术是解决此问题的最优手段之一,同时也是智能网联汽车的重要功能之一。近二十年自动泊车技术飞速发展,目前的环境感知传感器大多是超声波雷达等测距传感器,无法识别平面等环境信息;控制算法大多基于经验驾驶员控制,很难一次泊入车位,控制精度低。针对上诉问题,本文对基于视觉传感器的自动泊车感知系统进行研究,同时对自动平行泊车进行全局路径规划与跟踪。分布式驱动电动车是纯电动汽车的最终发展方向,操纵稳定性和主动安全等方面具有明显的控制优势,有易控性、高效率、结构简单等特点,将分布式驱动电动车驱动力矩独立可控的特点应用于自动泊车方法的研究中,利用差动转向辅助主动转向降低了自动泊车技术中全局路径跟踪的横向控制误差。本文依托于国家自然科学基金面上项目（51675257）、辽宁省高等学校创新人才项目（LR2016054）,对基于视觉的分布式电动车自动平行泊车方法进行课题研究。论文主要包括以下四个部分:（1）全景环视感知系统设计。在车身周围布置4个鱼眼相机实现对车身全景感知,通过仿真场景对四个鱼眼相利用张正友标定法进行标定,之后通过逆透视变换转换为鸟瞰图。（2）基于场景定制的Radon变换的停车位检测。首先对全景环视感知图像进行预处理,通过Canny算子进行边缘特征提取,之后根据自动平行泊车场景的特点运用基于场景定制的Radon变换对停车位边线进行检测。（3）自动平行泊车路径规划。将泊车路径分成两个阶段,由两个圆弧组成,引入触须算法预先设置泊车路线库,通过规则约束筛选符合要求的触须,与第二段基于圆弧法设计的泊车路径结合组成泊车路径,降低了泊车起始位姿要求,利用仿真实验验证规划路径能够实现自动平行泊车功能。（4）分布式驱动电动车差动转向跟踪补偿。当由于外因车辆无法完全按照规划路径的转弯半径进行泊车,通过左右车轮驱动力的分配产生横摆力矩实现差动转向,对跟踪误差进行补偿。研究结果表明:论文研究的基于视觉的分布式驱动电动车自动平行泊车方法能够使分布式驱动电动车对停车位进行识别和对目标停车位的泊车路径规划。同时,当出现实际转弯半径和目标转弯半径有偏差时,可以通过差动转向进行补偿,减小转向偏差。该研究对未来ADAS控制方法开发具有一定的参考价值。
二、透视“停车位”……（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、透视“停车位”……（论文提纲范文）
（2）基于车载相机的实时停车位及车位线检测算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文主要研究内容 |
| 1.4 论文结构安排 |
| 第2章 泊车辅助系统的环境搭建以及摄像机标定 |
| 2.1 泊车辅助系统的环境搭建 |
| 2.2 摄像机的标定 |
| 2.2.1 摄像机模型参考坐标系 |
| 2.2.2 参考坐标系之间的转换关系 |
| 2.2.3 摄像机内部参数标定 |
| 2.3 透视变换 |
| 2.4 本章小结 |
| 第3章 基于几何特征的停车位及车位线检测算法 |
| 3.1 图像预处理 |
| 3.1.1 图像灰度化 |
| 3.1.2 图像滤波 |
| 3.2 图像的二值化 |
| 3.3 形态学运算 |
| 3.4 不同情况下的停车位检测 |
| 3.4.1 完整停车位检测 |
| 3.4.2 不完整停车位检测 |
| 3.4.3 有遮挡以及缺损的停车位 |
| 3.5 车位线检测 |
| 3.6 目标的信息输出以及坐标系转换 |
| 3.6.1 输出停车位以及车位线信息 |
| 3.6.2 坐标系转换 |
| 3.7 本章小结 |
| 第4章 系统测试与误差分析 |
| 4.1 硬件条件的研究 |
| 4.2 基于算法的实时性研究 |
| 4.3 实验结果与分析 |
| 4.4 本章小结 |
| 第5章 结论 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
（3）基于车载环视算法的泊车辅助系统的研究与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 发展现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 论文研究目标以及主要研究内容 |
| 1.4 本文组织结构 |
| 第2章 基于异构架构的车载环视生成算法 |
| 2.1 异构架构算法的搭建 |
| 2.1.1 异构算法的架构 |
| 2.1.2 GPU线程管理与流优化 |
| 2.2 车载鱼眼相机标定与畸变矫正 |
| 2.2.1 鱼眼相机的标定 |
| 2.2.2 鱼眼图片的畸变矫正 |
| 2.3 改进的基于几何约束的俯视变换算法 |
| 2.4 图像区域对齐与图像融合 |
| 2.4.1 图像拼接技术介绍 |
| 2.4.2 改进的环视图像拼接算法 |
| 第3章 基于车联网的环视图像生成算法 |
| 3.1 基于车联网的算法的架构 |
| 3.2 改进的视频流传输协议 |
| 第4章 改进的泊车位识别算法 |
| 4.1 泊车位识别 |
| 4.1.1 图像预处理 |
| 4.1.2 确定泊车位拐点 |
| 4.1.3 改进的泊车位模板匹配 |
| 第5章 实验结果与分析 |
| 5.1 实验环境 |
| 5.2 实验结果与分析 |
| 5.2.1 异构架构算法对比 |
| 5.2.2 鱼眼相机标定 |
| 5.2.3 鱼眼图像矫正 |
| 5.2.4 基于几何约束的俯视变换 |
| 5.2.5 环视图像的生成 |
| 5.2.6 基于车联网的环视图像生成算法 |
| 5.2.7 环视图像的预处理 |
| 5.2.8 泊车位的直线检测 |
| 5.2.9 泊车位拐点的确认 |
| 5.2.10 泊车位的确定 |
| 5.3 结论 |
| 第6章 工作总结 |
| 6.1 本文工作总结 |
| 参考文献 |
| 作者简介及科研成果 |
| 致谢 |
（4）基于视觉的空闲停车位检测算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于自由空间的空闲停车位检测算法研究现状 |
| 1.2.2 基于视觉的空闲停车位检测算法研究现状 |
| 1.3 主要研究内容 |
| 1.4 章节安排 |
| 2 环视影像技术与神经网络方法概述 |
| 2.1 环视合成技术 |
| 2.1.1 相机的成像模型 |
| 2.1.2 相机的畸变标定算法 |
| 2.1.3 逆透视变换 |
| 2.2 人工神经网络 |
| 2.2.1 卷积神经网络 |
| 2.3 目标检测网络YOLOv3 |
| 2.3.1 特征提取网络 |
| 2.3.2 边界框的预测 |
| 2.4 本章小结 |
| 3 全景泊车影像中停车位的定位 |
| 3.1 引言 |
| 3.2 停车位角点分类规则的设计 |
| 3.2.1 停车位的种类 |
| 3.2.2 角点的分类规则 |
| 3.3 训练停车位角点分类器 |
| 3.3.1 ps2.0 数据集 |
| 3.3.2 数据预处理 |
| 3.3.3 训练结果 |
| 3.4 停车位尾部顶点的推理 |
| 3.4.1 停车位角点配对 |
| 3.4.2 尾部顶点推理 |
| 3.5 停车位的定位实验 |
| 3.5.1 实验前期准备 |
| 3.5.2 实验结果 |
| 3.6 本章小结 |
| 4 基于卷积神经网络的空闲停车位识别 |
| 4.1 引言 |
| 4.2 搭建卷积神经网络 |
| 4.3 停车位头部图像数据集的制作 |
| 4.4 空闲停车位的识别 |
| 4.5 本章小结 |
| 5 空闲停车位检测方法验证 |
| 5.1 实验环境与实验数据的准备 |
| 5.2 实验结果 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（5）基于视觉与雷达传感器的自动泊车系统路径规划与跟踪研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 论文选题的背景及意义 |
| 1.2 自动泊车系统简介 |
| 1.3 国内外研究现状 |
| 1.3.1 停车位检测研究现状 |
| 1.3.2 路径规划与跟踪研究现状 |
| 1.4 论文主要内容 |
| 2 车位检测 |
| 2.1 图像预处理 |
| 2.1.1 图像ROI提取 |
| 2.1.2 图像灰度化 |
| 2.1.3 图像增强 |
| 2.1.4 图像平滑降噪 |
| 2.1.5 边缘检测 |
| 2.1.6 逆透视变换 |
| 2.2 基于摄像头的车位检测 |
| 2.2.1 Open CV简介 |
| 2.2.2 基于Hough变换的车位线提取 |
| 2.3 基于超声波的车位检测 |
| 2.3.1 超声波测距原理 |
| 2.3.2 基于超声波测距技术的车位检测 |
| 2.4 本章小结 |
| 3 泊车路径规划 |
| 3.1 泊车运动过程的分析 |
| 3.1.1 Ackerman转向理论 |
| 3.1.2 车辆运动学分析 |
| 3.2 Simulink车辆运动学模型的搭建与验证 |
| 3.3 基于两段圆弧相切的泊车路径规划 |
| 3.4 基于圆弧切直线的泊车路径规划 |
| 3.5 基于B样条曲线的泊车路径规划 |
| 3.5.1 B样条曲线简介 |
| 3.5.2 B样条路径曲线设计 |
| 3.5.3 仿真结果与分析 |
| 3.6 本章小结 |
| 4 泊车运动控制策略 |
| 4.1 模型预测控制(MPC) |
| 4.2 基于运动学模型的路径跟踪控制器设计 |
| 4.2.1 车辆运动学建模 |
| 4.2.2 车辆预测模型建立 |
| 4.2.3 目标函数设计 |
| 4.2.4 路径跟踪控制器仿真与分析 |
| 4.2.5 约束条件设计 |
| 4.3 本章小结 |
| 5 泊车控制系统验证 |
| 5.1 仿真模型搭建 |
| 5.1.1 Carsim简介 |
| 5.1.2 Carsim车辆仿真模型 |
| 5.2 Carsim/Simulink联合仿真模型搭建 |
| 5.3 联合仿真结果及分析 |
| 5.3.1 Carsim仿真场景搭建 |
| 5.3.2 仿真结果分析 |
| 5.4 智能小车试验验证 |
| 5.4.1 试验平台搭建 |
| 5.4.2 试验结果及分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 |
（6）多传感器结合的自动泊车感知和路径规划研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文研究的主要内容 |
| 2 采集二维全景俯视图像 |
| 2.1 摄像头中的坐标系 |
| 2.2 标定鱼眼摄像头 |
| 2.3 校正鱼眼摄像头的畸变 |
| 2.4 平衡亮度 |
| 2.5 变换视角 |
| 2.6 俯视图像测距 |
| 2.7 拼接图像与融合重叠区域 |
| 2.8 本章小结 |
| 3 识别车位 |
| 3.1 采集图像样本 |
| 3.2 模型训练结果 |
| 3.3 精确定位车位的角点坐标 |
| 3.3.1 开源计算机视觉库 |
| 3.3.2 预处理车位图像 |
| 3.3.3 多项式拟合车位线 |
| 3.3.4 其它场景的探测结果 |
| 3.4 本章小结 |
| 4 超声波雷达探测障碍物 |
| 4.1 超声波雷达简介 |
| 4.2 超声波雷达的测距原理 |
| 4.3 选择主控芯片和电路板 |
| 4.4 温度传感器 |
| 4.5 超声波雷达测距 |
| 4.5.1 超声波雷达测距方法 |
| 4.5.2 超声波雷达测距实验 |
| 4.6 串口通信 |
| 4.7 本章小结 |
| 5 鱼眼摄像头和超声波雷达结合探测车位 |
| 5.1 探测车位的流程 |
| 5.2 多传感器结合探测车位 |
| 5.2.1 车位内部有平面障碍物 |
| 5.2.2 车位内部有圆柱障碍物 |
| 5.2.3 车位内部没有障碍物 |
| 5.3 本章小结 |
| 6 自动泊车路径规划 |
| 6.1 车辆低速运动学模型 |
| 6.2 缓和曲线 |
| 6.3 平行车位泊车路径规划 |
| 6.4 垂直车位泊车路径规划 |
| 6.4.1 C字型泊车 |
| 6.4.2 交叉型泊车 |
| 6.5 本章小结 |
| 7 全文总结与展望 |
| 7.1 全文总结 |
| 7.2 主要创新点 |
| 7.3 展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 |
（7）基于视觉传感器及深度学习的车位识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 自动泊车概述 |
| 1.3 国内外研究现状 |
| 1.3.1 自动泊车的研究现状 |
| 1.3.2 基于视觉系统的自动泊车研究现状 |
| 1.3.3 基于机器学习的车位检测研究现状 |
| 1.4 主要研究内容 |
| 第2章 全景视觉图像的建立 |
| 2.1 引言 |
| 2.2 鱼眼相机概述 |
| 2.2.1 鱼眼镜头的发展及应用 |
| 2.2.2 鱼眼摄像头原理 |
| 2.2.3 鱼眼相机的畸变模型 |
| 2.3 利用OpenCV进行鱼眼摄像头校正 |
| 2.4 全景视图的建立 |
| 2.4.1 图像逆透视变换 |
| 2.4.2 图像拼接 |
| 2.5 本章小结 |
| 第3章 深度卷积网络的改进及停车位检测 |
| 3.1 引言 |
| 3.2 改进的YOLOv3 特征提取网络 |
| 3.2.1 主干网络选取 |
| 3.2.2 适用于车位检测的可变卷积 |
| 3.2.3 车位检测网络解码 |
| 3.3 停车槽头和标记点检测 |
| 3.4 标记点的匹配及完整停车位推理 |
| 3.4.1 匹配车位标记记点 |
| 3.4.2 完全停车位推理 |
| 3.5 车位占用分类网络的构建 |
| 3.6 本章小结 |
| 第4章 实验和结果 |
| 4.1 实验设置 |
| 4.1.1 数据集 |
| 4.1.2 实验参数设置 |
| 4.2 停车槽头及标记点检测的性能 |
| 4.3 车位占用检测的性能 |
| 4.4 总体性能和通用性验证 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的学术成果 |
| 致谢 |
（9）基于环视视觉的自动泊车系统（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外发展现状 |
| 1.2.1 泊车辅助系统的发展现状 |
| 1.2.2 自动泊车系统的发展现状 |
| 1.3 泊车系统的关键技术介绍 |
| 1.4 本文主要研究内容 |
| 2 基于卷积神经网络的停车位检测算法 |
| 2.1 引言 |
| 2.2 相关技术介绍 |
| 2.2.1 轻量模型Mobienet v2 |
| 2.2.2 注意力机制senet |
| 2.2.3 smote过采样 |
| 2.2.4 焦点损失 |
| 2.3 车位检测算法 |
| 2.3.1 整体算法框架 |
| 2.3.2 总体算法简介 |
| 2.3.3 改进的停车位检测算法 |
| 2.4 实验结果及分析 |
| 2.4.1 实验数据集 |
| 2.4.2 实验环境配置 |
| 2.4.3 性能评估 |
| 2.5 本章小结 |
| 3 基于透视变换的空车位分类算法 |
| 3.1 引言 |
| 3.2 相关技术介绍 |
| 3.2.1 线段相交 |
| 3.2.2 透视变换 |
| 3.3 本章算法框架 |
| 3.4 空车位分类算法 |
| 3.4.1 图像预处理 |
| 3.4.2 网络架构 |
| 3.5 实验结果和分析 |
| 3.6 本章小结 |
| 4 基于环视视觉的自动泊车系统设计与实现 |
| 4.1 系统关键模块设计和实现 |
| 4.1.1 系统设计 |
| 4.1.2 数据准备模块 |
| 4.1.3 停车位检测模块 |
| 4.1.4 路径规划模块 |
| 4.1.5 结果展示模块 |
| 4.2 自动泊车系统实验 |
| 5 总结和展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（10）基于视觉的分布式驱动电动车自动平行泊车方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 自动泊车技术 |
| 1.2.2 分布式驱动电动车 |
| 1.3 本文主要研究内容 |
| 2 全景环视感知系统 |
| 2.1 引言 |
| 2.2 鱼眼相机的成像原理与标定 |
| 2.2.1 鱼眼相机成像原理 |
| 2.2.2 鱼眼相机的标定 |
| 2.2.3 张正友棋盘格标定法 |
| 2.3 逆透视变换 |
| 2.4 本章小结 |
| 3 基于场景定制的Radon变换的停车位检测 |
| 3.1 引言 |
| 3.2 基于形态学的图像预处理 |
| 3.3 Hough变换与Radon变换 |
| 3.3.1 Hough变换 |
| 3.3.2 Radon变换 |
| 3.4 基于场景定制的Radon变换优化 |
| 3.5 本章小结 |
| 4 自动平行泊车路径规划 |
| 4.1 引言 |
| 4.2 触须算法 |
| 4.3 基于触须算法的自动平行泊车路径规划 |
| 4.4 可通行区域碰撞约束 |
| 4.5 仿真实验验证 |
| 4.6 本章小结 |
| 5 基于差动转向的分布式驱动电动车跟踪补偿 |
| 5.1 引言 |
| 5.2 差动转向原理 |
| 5.3 差动辅助转向控制策略 |
| 5.4 差动辅助转向仿真实验验证 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 引言 |
| 6.2 结论 |
| 6.3 展望 |
| 参考文献 |
| 攻读硕士期间发表学术论文情况 |
| 致谢 |
四、透视“停车位”……（论文参考文献）
- [1]基于环视图的自动泊车停车位检测方法[J]. 范梦阳. 时代汽车, 2021(11)
- [2]基于车载相机的实时停车位及车位线检测算法研究[D]. 李荣达. 沈阳工业大学, 2021
- [3]基于车载环视算法的泊车辅助系统的研究与实现[D]. 刘通. 吉林大学, 2021(01)
- [4]基于视觉的空闲停车位检测算法研究[D]. 展恩昊. 大连理工大学, 2021(01)
- [5]基于视觉与雷达传感器的自动泊车系统路径规划与跟踪研究[D]. 龚天意. 重庆理工大学, 2021(02)
- [6]多传感器结合的自动泊车感知和路径规划研究[D]. 杨一帆. 重庆理工大学, 2021(02)
- [7]基于视觉传感器及深度学习的车位识别研究[D]. 郑文举. 哈尔滨理工大学, 2021(09)
- [8]基于车载相机的实时停车位及车位线检测系统设计[A]. 李荣达,桑海峰,张志佳,王士显. 第十七届沈阳科学学术年会论文集, 2020
- [9]基于环视视觉的自动泊车系统[D]. 吕雪杰. 北京交通大学, 2020(03)
- [10]基于视觉的分布式驱动电动车自动平行泊车方法研究[D]. 范思奇. 辽宁工业大学, 2020