张健大创项目研究报告样本.doc

资料内容仅供您学习参考，如有不当或者侵权，请联系改正或者删除。广西科技大学大学生创新创业训练计划项目项目名称 平行泊车辅助系统中的视觉测量的研究 项目名称: 平行泊车辅助系统中的视觉测量的研究项目类别: 创新训练项目 创业训练项目 创业实践项目项目负责人: 张 健 负责人所在院系: 电气与信息工程学院 填表日期: 6月4日 6 月 4 日摘要随着科技的发展, 人们对汽车的需求度以及购买量与日俱增。车子越来越多, 可是路边供停车的泊车位却是有限的, 怎样有效地把车子停入车位, 不但要依靠熟练的驾车技术, 更是要依靠现代化技术来辅助完成。本项目主要研究在平行泊车( 侧方停车) 过程中, 基于机器视觉自动检测平行泊车位, 检测平行泊车中车辆与前车的横向距离, 自主判断是否会与前车发生擦碰以及自主判断是否擦碰上路肩。经过摄像头所拍摄到的图像, 经过一系列图像处理最终得出这个平行泊车( 侧方位停车) 过程能否顺利进行。本模拟碰撞系统经过大量模拟试验后可应用于自动泊车系统。首先, 了解何为平行泊车, 在其基础上把平行泊车过程划分了几个步骤, 找到本项目研究的这4个问题发生在哪一阶段, 及易发生碰撞的擦碰点。本课题将针对平行泊车过程中对车位的检测、 自动检测车辆相对前车的横向距离、 车身擦碰的预测以及车辆与路肩的擦碰预测这4个方面逐一研究如何经过视觉检测来解决问题。关键词: 平行泊车; 神经网络; 视觉测量; 障碍物检测; 1.项目研究背景 在实验初期, 我们查找了大量文献, 发现现有的解决方案并不能很好的实现平行泊车的辅助测量。重庆大学的黄席樾、 朱雷、 杨璟、 李强1 在 使用了TMS320C620lDSP芯片作为核心器件, 用于实时图像处理, 能够可靠地检测道路、 障碍物的存在及其距离。但也存在不足: 该数字处理器使用方法略有繁琐, 该算法不能从根本上解决问题。又如魏喜明在 对比毫米波雷达与图像处理的优缺点的基础上, 提出毫米波雷达, 并研发了毫米波与图像处理相结合的智能避撞方案【2】: 该方法可实现可实现智能避撞又可减少虚警的发生。可是这种方案仍有缺陷: 由于停车点不固定, 因此雷达测速测距离的误差很大, 结论值并不能应用于所有环境。刘波、 钟幼强、 金施群、 修亮 运用DSP系统分析处理, 对异常情况给出告警信号红外视觉检测。图像处理相结合实现主动避撞的方法, 以充分发挥二者的优点弥补自身的缺陷, 而且对该系统的运行平台进行了设计。因此面对平行泊车这一项目, 视觉测量仍是一种很好的解决方案。2. 项目的意义在平行泊车过程中, 拍摄到停车位并快速计算出停车位大小、 经过检测两车之间的距离, 获取最优泊车位置、 经过视觉检测技术检测出泊车时两车的相对位置关系, 从而预测出两车是否会发生碰撞以及自主判断是否碰撞上路边的路阶。以上研究结果所建立的模拟系统可应用于平行泊车辅助系统。3. 实施过程3.1车位的检测经过摄像头拍摄所得的图像点坐标输入到网络中使之输出为摄像头拍摄所得的图像点的世界坐标。 首先,探讨基于机器视觉平行泊车位的自动检测课题研究的背景及意义, 了解国内外在该领域的研究现状及发展情况, 确定基于机器视觉平行泊车位的自动检测课题的研究流程。 其次采用摄像头获取图像, 进行摄像机标定实验, 基于机器视觉平行泊车位的自动检测图像采集, 模拟小车泊车时前头和车尾车姿的状况, 记录相关的实验数据。最后基于机器视觉平行泊车位的自动检测图像采集, 模拟小车泊车车姿车位的状况, 并记录相关数据, 对前车位线和后车位线的角度分情况讨论, 做出表格, 然后用BP神经网络综合处理数据后, 计算出左边路沿和右边路牙距离, 得出平行泊车位大小, 最后进行误差分析, 结果分析。3.2相对于前车的平行距离 经过小车前后车轮与地面的相交点的图像坐标输入到网络中使之输出为小车前后车轮与地面的相交点的实际坐标。基于单目视觉的研究, 同时采用了基于BP神经网络的标定方法, 估测特征点的实际位置, 然后根据特征点的世界坐标求取距离。首先, 采用BP神经网络标定方法对摄像机进行标定, 建立图像坐标和世界坐标, 确定三维空间物体的具体位置与其在图像上的像素点坐标的对应关系。再利用标定好的摄像机进行图像采集, 在测距模拟实验中, 小车模拟前车, 椅子模拟本车, 实现车辆视觉对前车的图像采集, 并从采集到的图像提取特征点的图像坐标, 本文提取的特征点主要是前车前、 后车轮与地面的相交点。然后利用标定好的网络求取前车特征点的世界坐标值, 结合几何运算方法求解两车之间的距离。最后将实际距离与求得的距离比较分析, 虽然在求得的数据上有个别存在的误差比较大, 但从整体来看, 利用本文提出的方法与运算还是可行的。3.3 车辆与其它车身擦碰的预测经过输入前车的图像坐标输入到网络中使之输出是否会与前车发生碰撞。经过使用安装在模拟小汽车上的摄像头摄取地面标定点的图像和多次模拟平行泊车时车身擦碰的实际图像, 并记录相关数据。然后在计算机中运用MATLAB软件经过BP神经网络程序对实验所得图片数据进行处理, 找到图像像素坐标系与地面的世界坐标系之间的关联。最后再将多组模拟碰撞实验数据代入碰撞神经网络中, 得出模拟碰撞结果, 对照实验组和模拟组结果, 得出最终结论。3.4车辆与路肩擦碰的预测经过摄像头所拍摄到的图像, 输出平行泊车( 侧方位停车) 过程中, 是否会擦碰上路肩。首先, 了解何为平行泊车, 在其基础上把平行泊车过程划分了几个步骤, 找到本项目研究的问题发生在哪一阶段。其次, 针对碰撞实验, 对所拍摄的图像进行图像处理, 输入为拍摄到的图像, 输出为所拍图像的灰度图; 再进行特征点的提取, 输入为灰度图, 输出为灰度图上路肩线所在直线上的任意两个点; 最后进路肩提取, 输入为提取的几组特征点, 输出为路肩线所在的直线方程。再次, 对路肩的实际位置进行提取, 输入为路肩在图像上的直线方程特征点, 输出为路肩的模拟实际位置直线方程及特征点。最后, 进行模拟路肩擦碰预测, 输入为检测实验的图像, 输出为关于是否碰撞的预测。4. 取得的成果基于机器视觉平行泊车位的自动检测课题研究中采用40多个棋子进行标定, 后面采用5个不同角度, 其中每个角度基本都相配合过一次, 具有不错的研究范围, 在最后结果中符合实际, 实验误差并在预期范围内。基本完成了泊车位的检测要求。相对前车的横向距离这一课题时, 提取的特征点是前车的前、 后车轮与地面的相交点; 最后根据几何建模, 利用几何运算公式计算得两车之间的距离。实验结果算得的距离与实际距离的最大误差为3.72%, 最小误差为0.15%, 平均误差为2.28%。实验结果表明提出的方法具有一定的准确性与可靠性, 能够为驾驶员提供准确有效地信息。与前车车身擦碰的预测的实验中一共做了33组模拟碰撞实验, 模拟碰撞实验结果表明: 经过碰撞神经网络程序处理后的模拟碰撞结果与真实碰撞结果相差不大, 准确度达到96.97%。此方法具有较高的实时性和准确性, 对平行泊车过程中可能出现的擦碰起到很好的预测作用。车辆与路肩碰撞的预测中, 神经网络模拟输出的碰撞结果与碰撞实验的碰撞结果一致。因此用处理碰撞实验图像方法和经过神经网络模拟碰撞结果的方法都能模拟碰撞结果。经过碰撞实验与神经网络相结合, 完成了模拟碰撞结果的工作, 并在此实验样本中达到了完全命中的预测结果, 实现了自动泊车系统中的与路肩的擦碰的预测。5. 特色与创新点相比于传统的雷达泊车系统及后视摄像头, 我们的图像处理方法真正的做到了完全脱离人工的智能平行泊车。经过图像处理, 我们能够更精准的拟合平行泊车的驾车环境及成果。6. 心得体会经过这一年的创新创业训练项目的实施研究,我深深感受到了指导老师和团队合作的重要性和重要性,非常感谢我们的指导老师,感谢团队不计回报的付出,在这个过程中,我获得了锻炼和成长,大大拓展了我的思维能力.在以后的学习工作中我也将不断修正提升自己.参考文献1黄席樾 朱雷 杨璟 李强 TMS320C620l在汽车智能主动安全系统中的应用, 重 庆大学学报, ,11:11-122魏喜明. 基于毫米波与图像处理的汽车智能避撞系统的研究, 东北大学硕士 学位论文, ,2:15-173刘波 钟幼强 金施群 修亮.基于红外图像处理的高速公路汽车追尾预警系统 研究, 中国仪器仪表, ,12:25-26