基于计算机视觉的装备方队辅助训练系统开发

摘要

　　我国于 2019 年 10 月 1 日举行的国庆阅兵仪式受到了全世界的瞩目，为了保 证阅兵式的规范性与纪律性，受阅方队人员往往需要进行长期艰苦的训练。有些阅兵方队为了解决传统训练方式无法标准化的缺点，采用了信息化手段获取装备方队的实时训练信息来进行分析。但是该方式的所涉及到的训练科目少，并且在精准性和实时性方面需要进一步提高。鉴于以上原因，本文通过优化相关的图像处理算法，运用数据库技术以及开发相应的界面程序来进行理论和应用层面上的研究，希望能够为装备方队横纵向行驶科目的训练提供一种相对科学合理、客观公正的评估系统。本文主要研究内容如下：
　　（1）快速准确识别车道线：通过计算车辆中心线与车道线中心线在水平方向的偏移距离来监测车辆在行驶中的横向偏移情况。在图像预处理方面，对采集到的图像提取 ROI 区域并进行灰度化处理，使用自适应中值滤波算法以及形态学闭操作代替高斯滤波平滑图像以防止边缘信息减弱；在边缘检测方面，对传统的Canny 算法进行了改进：使用改进的 Sobel 算子通过四个方向计算梯度幅值来防止伪边缘的产生，提出了基于最小误差法的交点迭代法改进 OSTU 自适应算法来快速确定 Canny 算法的高低阈值；在边缘拟合方面，对 Hough 变换中的一些参数进行约束来弥补算法的实时性，同时使用最小二乘法拟合车道线中心线来计算车辆相对于车道线的偏移距离。

　　（2）快速准确识别标识物：通过计算图像中心与采集到的标识物中心的水平距离来监测阅兵车辆在行驶中的纵向偏移情况。首先对采集到的图像提取 ROI 区 域，并将图像由 RGB 色彩空间转换到 HSV 色彩空间中；接下来根据不同颜色在HSV 色彩空间的参数范围进行了特定颜色的区域提取；最后使用轮廓绘制算法连接区域轮廓，并对区域面积以及形状加以限定找到相应的标识物，通过计算质心坐标来计算车辆相对于基准车的偏移距离。

　　（3）数据处理与界面程序开发：通过设计 MySQL 数据库对采集到的数据进行存储，选用 Qt 开发平台编写可视化界面实现人机交互，并对设计的前后端界面程序进行了功能性的介绍。

　　综合实验表明，本文所设计的系统可以快速准确地计算车道线与标识物中心点坐标，能够有效的提高检测的精准度、速度以及抗干扰能力，设计的可视化程序能够实现良好的人机交互功能。并且该系统也成功应用于 70 周年大阅兵训练中，能够有效地提高阅兵训练效果。

　　关键词：阅兵装备方队；车道线识别；改进 Canny 算法；人工标识物识别；Qt 可视化界面程序开发

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

目录

　　1 引言

　　1.1 课题背景和意义

　　科技强则国家强，科技兴则部队兴。习近平主席在十二届全国人大五次会议解放军代表团全体会议上，站在时代的角度，就加快军队科技化、信息化建设作了深刻系统阐述，向全体人员提出了出了科技兴军的指令。走军民融合之路，是建设巩固国防和增强军事实力的必经之路。科技创新能力在今天将会成为一个部队的核心实力，是有效提高战斗力的关键。随着社会分工多样化的发展，科技创新不再是孤立的个体，走军民融合之路是必然选择。习近平主席同时指出，我国经过长期稳步发展，经济与科技实力已经相比过去有了明显的提升，并且已经在一些科学技术领域解决了世界性的难题，取得了重大突破，这些成绩为科技兴军打下了坚实基础，把科技领域军民融合实现得又好又快已经具备了一切条件。走军民融合发展之路，能够将国防和部队建设方面的顶尖技术提供给广大民众使用，同时群众为部队也为部队提供丰富的实际经验，从而为我军建设提供强有力的支持。

　　阅兵式历来被认为是对外界展示我国综合实力的最佳方式，同时也是树立中华民族自信心的重要表达方式，中国人民解放军一直十分重视阅兵。新中国成立之后，全国政协决定，保留阅兵式并作为国庆典礼的重要组成部分。阅兵可以展现我军现代化建设的取得的重要成就，也可以展现我军的崭新风貌，展示军队维护祖国安全与领土完整、保持世界和平与发展进程的强大信心，更是向世界各国人民展现中国实力和民族团结的窗口。2019 年 10 月 1 日国庆节，是新中国成立70 周年的重要节日，阅兵式水平也将会是史上最高水准。阅兵式是展示一个国家军事实力和综合竞争力的重要方法，举行一场庄严精彩的阅兵式，不仅能展示国家先进的军事武器、科学技术，也能展示国家实力，增强民族自信心。

　　将整齐划一的阅兵方队展现给人民群众是中国人民解放军的传统，并且我国的阅兵式的规范性和纪律性早已得到世界范围内的一致好评，这一切都要归功于解放军官兵们长期的艰苦训练。但是目前国内对于阅兵装备方队的训练还主要采用传统的人工训练方式，这种方式主要存在着以下几个问题：一是该方式组织复杂，持续时间长，会消耗大量的人力物力；二是教官作为训练人和考核人数量有限，一人负责一个方队进行训练的情况是常态，工作量繁重，并且也不能同时关注每一位人员的训练情况；三是因为训练标准受教练主观性影响较大，水平参差不齐往往无法统一评定标准。上述缺点往往会导致不能科学的、公正的反映受考核官兵的能力水平，不但降低了训练考核的效率，也削弱了训练考核的效果，无法有效地促进训练水平的提高。某些方队采用了信息化手段获取装备方队的实时训练信息来进行分析，如图 1-1 所示是一种信息化的训练方式，其中虚线为反光条，将光电开关放置在车辆的正下方，记录车辆经过每个反光条的时刻，这样便可以判断每排车辆是否能够整齐行驶。但是此类方式的所涉及到的一般都是单一科目，并且在精准性和实时性方面需要进一步提高。新时期军事训练要求实现现代化与信息化，从而开发一套科学的训练系统以实现车辆方队训考的电子化、信息化、数据化具有着重要的现实意义和实用价值。

　　本文以建国 70 周年大阅兵为契机，以装备方队辅助训练系统开发为研究课题，通过优化相关的图像处理算法、运用数据库技术以及开发相应的界面程序对其进行理论和应用的研究，同时希望此系统可以为装备方队提供一种相对科学合理的方法和客观公正的评估工具。

　　1.1.1 车道线识别技术发展概况

　　自动驾驶作为工业 4.0 时期的产物，对改善城市公路交通问题有着重要意义。

　　近日，奥迪已开始量产 L3 级自动驾驶车辆，L4 级甚至 L5 级自动驾驶技术的研究也在如火如荼的进行中。高等级的自动驾驶车辆行驶的安全性主要依赖于车道的准确保持，只有实时准确的感知到了自身与车道线相对位置后，车辆才能进行相应操作。有效的获取车道线的信息，对自动驾驶车辆的决策有着非同小可的作用。

　　此外，有学者提出在未来智能公路系统的模型中，自动驾驶车辆的行驶方式为车辆中心与车道线中心重合行驶，这种行驶方式也称为骑线行驶，车道线成为了自动驾驶车辆的"轨道".所以，现阶段对于车道线检测的精确度和实时性提出了更高的要求。当前针对车道线检测有着很多不同的方法，常见的是使用的激光雷达技术和图像识别技术进行检测[1].

　　在激光雷达检测技术中，大致方式是通过获取雷达扫描坐标后栅格化，并利用栅格图中的密度把需检测的车道线提取出来[2].目前关于激光雷达检测技术仍处于发展阶段，各国学者也在不断对相应算法进行优化与改进：Choi 等人使用激光雷达检测为主，辅以相机和 Geographic Information System 数据库对路面情况进行获取与分析[3];Kibble 等人利用密度直方图来识别目标特征，但是在复杂情况下效果较差[4];Lindner 等人把雷达原始坐标转换为极坐标栅格识别车道线，但是选取最大值映射处理多点映射同栅格情况的方法容易在识别时出现较大误差[5];国内的学者吴毅华等为了提高特征提取的精确度，利用雷达的回波脉冲宽度的不同对特征进行了更为精确的提取，从而提高了算法整体的抗干扰能力[6].使用激光雷达进行车道线的特征识别可以更加直接的获取特征，分辨率高，抗干扰能力强，但是造价昂贵，更加精细多线的激光雷达成本在几十万以上。

　　在图像识别检测技术中，总体来说车道线检测的方法可以分为两种：基于模型的方法和基于特征的方法[7].基于模型的方法通过构建数学模型来拟合车道线，目前，Zhou 等人为了减小边缘检测时的误差，提出了一种基于几何模型的鲁棒车道线识别算法，并结合和 Gabor 滤波器进行降噪处理[8],但是在该算法中只使用了车道线的单一特征，不确定性增加；Yun Wei 等人将 Harr 特征与方向梯度直方图（Histogram of Oriented Gradients, HOG）特征相结合，利用两者的优势进行检测，使得算法具有很好的特征提取与描述能力[9],但是算法运算复杂，时效性无法得到有效的保证。

　　基于特征的方法步骤大体分为：图像预处理、边缘检测和边缘拟合拟合。辛 超等使用双边滤波降噪来提高图像的对比度[10],但缺点是不具备自适应性和无法去除图像采集时可能出现的椒盐噪声；Hammouche 等应用小波变换和遗传算法搜索自动阈值准则（Automatic Thresholding Criterion, ATC）得到阈值[11],但此方法的效率仍有提高的方面；梁肇峻等使用 OTSU 算法解决了 Canny 算法无法自适应确定高低阈值的问题[12],但是该方法需要遍历所有梯度模值，实时性差；万琴等对Hough 变换的实时性进行了改进[13],但是常用的边缘拟合算法计算量过大的特点导致耗时在整个检测过程中占比仍然很大。

　　总体来说，关于车道线检测技术的应用一般是用于设计车道偏离预警系统，西方发达国家的汽车技术研究起步较早，研究内容也更精细化，也有许多系统已经投入了实际使用，比较具有代表性的有：AutoVue 系统、Mobileye_AWS 系统以及 DSS 系统[14].而我国业界也越来越重视辅助驾驶系统的研发，相应的汽车技术在近几年也成果颇丰，比较有代表性的是吉林大学研发的 JLUVA-1 系统[15]及清华大学研发的 THMR 系统[16],基于 DSP 的嵌入式预警系统也越来越多的投入到业界的使用中。

　　1.1.2 标识物图像识别技术发展概况

　　标识物的识别作为计算机视觉中的研究热点，如何快速准确的将复杂环境中的标识物进行识别与分析也是智能监测系统中的重要一环。大体来说，标识物可以分为自然标记物和人为标记物。因为自然标识物的特殊性，在一些场景尤其是在复杂场景中仅使用通用的算法无法对标识物进行有效的识别，并且某些自然标识也很难利用程序语言很好的进行描述，这往往会带来十分复杂的工作；但是对于具有指定特征的人为标识物来说，这些问题都得到了有效的解决，人为标识物设计方便且只要与外部环境相比具有唯一特征，监测者通过摄像头可以轻易的与监测物体进行实时交互，也能更好的提升监测得精确性与鲁棒性[17].不同的轮廓、颜色的标识物都有着不同的识别算法、识别速度以及识别精度，设计在特定环境中便于识别的人工标识物可以为图像处理、增强现实等应用提供落脚点，这也是人为标识物使用的关键的一步，合理的设计选取标识物能有大大降低技术实现的难度[18].

　　当前，业界普遍设计的人为标识物因使用环境虽各有不同，但是特征基本类似：具有便于摄像头识别的规则轮廓和具有外部环境不具有的色彩作为填充色。

　　由于几何形状轮廓具有稳定性，通常在外界中很难发生形变，即使因摄像机视角产生变化，也可以通过视角变换方式转换回原本的几何形状，所以对于几何轮廓的分析在计算机视觉中具有十分重要的意义[19];而色彩检测中，将色彩从采集的RGB 空间转换到其他特定的色彩空间中，能够便于计算机识别，也可以尽可能减少光照等外部环境带来的影响。现在各国学者对于人为标记识别算法的研究也基本上是在此两者上做出创新：Jang G J 等设计的自相似灰色模式路标使得车辆能够在室内更为可靠的寻找标记[20],Cheng-Chin Chiang 等基于主动形状模型（ActiveShape Model, ASM）设计初始脸部标识从而能进行人脸识别[21],但是他们共同的缺点是使用特殊轮廓作为标记的特征却又非常依赖于图像中的降噪过程，若降噪效果不明显或者外界干扰较多，底层处理结果明显会大打折扣；夏德芳等设计了基于海明编码特征的人为标识，利用水漫填充法和矩形轮廓的几何特征，识别人工标识物的四个角点，从而实现对标识的快速识别，解决了人为标识检测算法速度慢、实时性较差等问题[22].

　　人为标识物的识别在业界有着广泛的应用，如无人机和智能车通过人为标识物来进行区域内的导航与定位，对某些设备指定部件的监测，并且摄影测量中作为辅助工具更具有稳定性和鲁棒性。现阶段，随着增强现实的广泛应用对标识物识别的准确性与实时性也提出了更为严格的要求。

　　1.1.3 阅兵装备方队简述

　　在当今时代，虽然我国的发展速度有目共睹，但是仍然有部分国家或地区对我国的科技和军事实力不以为意，并对我国的边界图谋不轨，更有甚者，在国际上不断宣扬中国威胁论的谬论，意在侵蚀我国领土。为了展示我军的军事实力，中国人民解放军定期会举行庄严的阅兵仪式。进行整齐划一的阅兵仪式是中国人民解放军的传统，能够充分展示我军建设中取得的巨大成果，通过阅兵式可以展现我们部队雄厚的军事科技实力和良好的军容军貌，同时能够充分体现解放军战士保家卫国的信念。

　　阅兵装备方队大多由装甲车组成，更有甚者会在车上配备武器装备，如图 1-2所示，此类车辆特点是车型庞大，操控起来十分困难，要做到在阅兵式中毫无偏差的行进是一个非常困难的事情，阅兵装备方队通常要经过长时间高强度的训练才能实现。阅兵车辆方队整齐行驶的要求是车辆行驶速度相同，车辆行驶方向控 制在精准范围内，这就需要每一辆车要保证精确的横向控制和纵向控制[23].纵向控制是指对车辆前后方向的控制，同一列的车辆中心线要重合；横向控制是指对车辆垂直于行驶方向的控制，也就是左右方向的控制，同一行的车辆要保持车头与车尾对齐。只有这样才能确保整个车辆方队行驶高度整齐，将类型相同的阅兵车辆整体化，整齐划一的行驶可以充分展示我军装甲车辆和大型武器运载车辆的优良性能和精确控制。

　　阅兵装备方队车辆行驶标准示意图如图 1-3 所示，其中 1 车为方队基准车，方队中所有车辆要向该车辆看齐，4、8、12、16 车被称为排面基准车，同一行的车辆要与这些车辆看齐，方队其余车辆为跟随车，虚线代表车道线，箭头方向表示跟随车需要对齐的方向。所有的跟随车都要以基准车为标准，按照骑线和标齐[24] 的方式进行行驶：骑线，指的是车辆中心与车道线中心重合行驶的行驶方式，这样在保证车辆在按照直线行驶的前提下确保同一列车辆在行驶中不会产生左右的横向偏移，车道线成为了车辆的"轨道";标齐，是指所有跟随车要与相应的侧面车辆进行对齐，从而确保同一排车辆在行驶中不会产生前后的纵向偏移。通过实现阅兵车辆骑线和标齐的行驶方式，做到对特种车辆的精确控制，装备方队将会作为一个整体，整齐划一的行驶过天安门广场接受检阅。

　　1.2 基于计算机视觉的装备方队辅助训练系统简述

　　1.2.1 横向车道线偏移识别

　　1.2.2 纵向标识物偏移识别

　　1.2.3 后端数据存储与计算

　　1.3 本文主要研究内容及论文架构安排

　　2 车道线偏移识别算法改进

　　2.1 原始图像采集

　　2.2 图像预处理

　　2.2.1 提取 ROI 区域

　　2.2.1 灰度化处理

　　2.3 图像降噪

　　2.3.1 高斯滤波

　　2.3.2 自适应中值滤波

　　2.3.3 形态学闭操作

　　2.4 边缘检测

　　2.4.1 基于一阶微分的边缘检测

　　2.4.2 基于二阶微分的边缘检测

　　2.4.3 Canny 边缘检测算法的改进

　　2.5 边缘拟合与偏移距离计算

　　2.5.1 Hough 直线变换

　　2.5.2 LSD 直线检测算法

　　2.5.3 拟合算法的选用与偏移距离的计算

　　2.6 本章小结

　　3 标识物偏移识别方法设计

　　3.1 标识物设计与原始图像采集

　　3.1.1 标识物设计

　　3.1.2 原始图像采集

　　3.2 图像预处理

　　3.2.1 提取 ROI 区域

　　3.2.1 图像降噪

　　3.3 颜色检测

　　3.3.1 色彩空间与转换

　　3.3.2 HSV 色彩空间的颜色检测

　　3.4 标识物筛选

　　3.4.1 连接轮廓

　　3.4.2 轮廓包围面积筛选

　　3.4.3 轮廓形状筛选

　　3.5 偏移距离计算

　　3.6 本章小结

　　4 数据库与界面程序设计

　　4.1 数据库设计

　　4.1.1 MySQL 数据库介绍

　　4.1.2 系统数据库的设计

　　4.2 界面程序设计

　　4.2.1 Qt 开发平台介绍

　　4.2.2 系统界面程序设计

　　4.3 本章小结

　　5 实验与讨论

　　5.1 实验准备

　　5.1.1 摄像头的标定

　　5.1.2 像素距离与物理距离转换标定

　　5.2 算法性能实验

　　5.2.1 算法评价标准

　　5.2.2 降噪算法实验

　　5.2.3 边缘检测算子实验

　　5.2.4 自适应求取高低阈值实验

　　5.2.5 边缘拟合速度实验

　　5.3 综合实验

　　5.3.1 车道线偏移识别综合实验

　　5.3.2 标识物偏移识别综合实验

　　5.4 本章小结

6 结论

　　本文以建国 70 周年大阅兵为契机，以车辆辅助训练及考核系统开发为研究课题，通过优化相关的图像处理算法、运用数据库技术以及开发相应的界面程序设计了基于计算机视觉的装备方队训练系统，并将其成功应用于某阅兵训练方队的日常训练中。论文的主要研究内容和成果有：

　　（1）改进相应的车道线算法：在检测准确性方面，使用了自适应中值滤波算法和形态学闭操作来替代高斯滤波，来防止边缘信息减弱，同时消除椒盐噪声以及填补细小的细小孔洞，并且提高了系统 1.8%的识别率；在 Sobel 算子中增加了对角线方向的梯度幅值计算，提高了边缘定位精度，并且提高系统 3.2%的识别率。

　　在检测的速度方面，提出了基于最小误差法的交点迭代法来缩小 OTSU 算法所需遍历梯度模值的范围，提高了算法 5.9%的计算速度；约束 Hough 边缘拟合中从而减少算法的运算量，减少了 4.9%的计算时间。通过改进，使得系统的识别率达到了 95.3%,平均偏移误差为 0.19cm,平均耗时为 65.1ms,基本符合系统的需求。

　　（2）设计完备的标识物识别流程：为了对红色的标识物进行识别，在提取了图像红色区域后，对轮廓包围的区域计算面积和轮廓的形状进行了筛选。经过实验分析，面积筛选会提高系统 3.3%的识别率，轮廓形状筛选会提高系统 1.4%的识别率，最终使系统的识别率达到了 97.0%,平均偏移误差为 0.13cm,平均耗时为52.1ms,基本符合系统的需求。

　　（3）为了使得系统具有良好的人机交互功能，合理选择开发平台，对数据库以及界面程序进行了设计与编写。

　　由于时间紧迫以及本人学术水平和掌握资料有限的原因，本文所设计的系统中仍然有需要研究与改进的地方：

　　（1）在车道线偏移识别模块中识别的过程中，当车道线边缘磨损程度过高的情况下，算法无法识别对车道线中心进行准确提取，如何针对磨损作出有效的识别是下一步车道线识别研究的重点所在。

　　（2）在标识物偏移识别模块中识别的过程中，随着光照的变化，人工标识物的在 HSV 空间内的颜色阈值可能会发生相应的变化，如何对阈值进行自适应的提取需要接下来对系统进行改进。

　　（3）在计算偏移距离时，本文将两个模块分别计算求取，但是车辆作为一个整体，一般情况下一方的变化同样会引起另一方的偏移距离的改变，如何将两个模块用数学模型进行拟合需要进行进一步的推到与验证。

　　（4）为了使得系统具有良好的计算速度，本项目采用的设备主要是车载便携式主机，并且系统中需要两个摄像头同时工作，至少需要双核的 CPU 进行运算，单套装备成本较高，如何将硬件设备成本降低也是需要思考的问题。

　　总之，该系统是计算机视觉技术在军事训练领域内的一次尝试，同时也可以将某些算法应用到其他领域，比如说在医学图像中针对病变体进行识别，或者对一些特殊的机械机构进行检测等，希望能够为他人提供良好的思路。

　　参考文献

　　[1] 刘威， 李建涛。 无人驾驶车辆的车道保持及车道线检测方法[J].技术与市场， 2019, 26（08）：92+94.

　　[2] 李昀泽。 基于激光雷达的室内机器人 SLAM 研究[D]. 华南理工大学， 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] 吴毅华， 梁华为， 王智灵， 等。 基于激光雷达回波信号的自适应阈值车道线检测[J]. 机器人，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， 刘扬。 基于概率霍夫变换的车道线识别算法[J]. 测绘通报， 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， 钟俊。 基于Otsu算法与直方图分析的自适应Canny算法的改进[J]. 现代电子技术，2019, 42（11）： 54-58.

　　[13] 万琴， 朱晓林， 肖岳平， 等。 面向复杂城市交通场景的一种实时车道线检测方法[J]. 计算机测量与控制， 2019, 27（09）： 61-65+122.

　　[14] 秦钦龙。 基于 FPGA 的车道线检测系统设计[D]. 哈尔滨工程大学， 2016.

　　[15] 杜滕州。 基于单目视觉的夜间车辆识别与测距方法研究[D]. 山东理工大学， 2013.

　　[16] 杨欣欣。 智能移动机器人导航与控制技术的研究[D]. 清华大学， 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] 李聪。 基于 FPGA 的增强现实人工标识识别[J]. 电子科技， 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， 刘传才。 基于人工标识的移动增强现实配准方法[J]. 现代电子技术， 2015, 38（08）：26-30.

　　[23] 北斗高精度智能考训系统在阅兵车辆编队训练中的应用[J]. 计算机测量与控制， 2015,23（09）： 3256-3257.

　　[24] 袁一， 李伟， 张军， 等。 基于机器视觉和无线通信的阅兵车辆装备方队训练考核系统设计与实现[J]. 军事交通学院学报， 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] 兰霞， 刘欣鑫， 沈焕锋， 等。 一种消除高密度椒盐噪声的迭代中值滤波算法[J]. 武汉大学学报（信息科学版）， 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] 陈明晶， 方源敏， 陈杰。 最小二乘法和迭代法圆曲线拟合[J]. 测绘科学， 2016, 41（01）：194-197+202.

　　[37] 彭湃。 自主车辆道路线检测与偏离预警方法研究[D]. 湖南大学， 2015.

　　[38] 魏雄。 基于 OpenCV 的车牌识别系统中车牌定位的实现[J]. 电子世界， 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， 钟俊。 基于Otsu算法与直方图分析的自适应Canny算法的改进[J]. 现代电子技术，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] 许宏科， 秦严严， 陈会茹。 一种基于改进 Canny 的边缘检测算法[J]. 红外技术， 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] 颜为朗。 基于计算机视觉的铁路棚车门窗开闭状态检测算法研究[D]. 武汉理工大学，2018.

　　[50] 王志， 汪步云， 胡汉春， 等。 移动机器人导航系统中的车道线检测方法及实现[J]. 计算机测量与控制， 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。 基于图像识别的工作人员穿戴规范性检测技术研究[D]. 电子科技大学， 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， 叶玉堂， 沈淦松， 等。基于图像轮廓分析的LCD线路缺陷检测[J]. 激光技术， 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， 赵长胜， 舒宁。 基于 Canny 算子的边缘检测及评价[J]. 黑龙江工程学院学报，2003（02）： 3-6+16.

致谢

　　毕业论文的书写已经接近尾声，时光飞逝，三年的硕士研究生生涯将迎来最后一刻。在北京交通大学七年的时光虽然马上就要以句号结束，但是那些难忘的时刻定会此生铭记，再回首，往事依旧。

　　人生有许多关键点，人生也有许多人许多感谢要铭记于心。

　　首先，我要对我的导师陈福恩老师说一声谢谢，能成为您的学生是我今生的荣耀。

　　所谓师者，所以传道授业解惑也。陈老师不但在学术工作中悉心指导，更是在生活中给予了我很大的帮助。您讲述的学习方法与为人处世的道理将陪伴我在接下来的生活中一同前行。感谢付文秀老师在我大学时代给予的种种鼓励与支持，感谢宋宇老师在我迷茫中帮我指点迷津。同时，感谢北京交通大学大学的所有老师，学生生涯能得到您们的栽培是我的荣幸。

　　再次，我要感谢我的室友龚成贵和石贺，我们一起朝夕相处的三年时光，感谢你们在生活和学习中的对我的关心照顾；感谢梁晓明师兄、胡静师妹、王琪琪师妹、还有王馨师妹，感谢你们在论文与项目中对于我的关照，同时没能给予你们很大的帮助表示深感愧疚，希望在以后的道路上，我们能够互相帮助，共同前行。

　　同样，我要感谢女朋友张漻，谢谢你一直在我身边给予鼓励，让我有着对美好生活的向往和努力前进的勇气；感谢我的好兄弟陈福桥、高迪和宋宇，因为才使得我大学生涯充满了欢乐，谢谢你们在我低谷时期的安慰。

　　最后，我需要感谢我的家人，感谢你们在背后的支持。如果我能够获得一点点的成就，那也就是因为我站在了你们的肩膀上。感谢你们在我身后的默默付出，你们的健康和幸福是我今生最大的愿望。

　　因疫情影响，无法与帮助我的各位畅谈未来，把酒言欢，可能在将来也鲜有机会当面道谢，唯有向我的老师、朋友们送上我最真挚的祝福，愿你们在以后的日子里一切安好。江湖虽远，后会有期。

（如您需要查看本篇毕业设计全文，请您联系客服索取）