客运车辆危险行驶状态机器视觉辨识系统研究
|
摘要
随着我国公路交通运输业快速发展的同时，道路交通安全问题日益突出，公路客运事故一般都是人员死伤惨重的恶性事故，不仅给运输企业造成巨大的经济损失，而且给当地公路运输管理部门造成了极坏的社会影响，甚至成为了新的社会不稳定因素。因此，开展客运车辆危险行驶状态机器视觉辨识系统的研究，有助于改善我国公路客运安全性和提高公路客运安全管理能力，并能够对发生交通事故之后的责任认定提供部分可视化证据，具有广阔的应用前景和市场需求。
本文依托“十一五”国家科技支撑计划重大项目(2009BAG13A07)和国家自然科学基金项目(51278062)，综合运用计算机图形学、信息工程学、车辆工程学、交通工程学等多学科理论以及机器视觉技术中的车载CCD视觉传感采集技术、嵌入式双核并行高速DSP数字图像处理技术、边缘形状检测与分析技术、机器学习技术与模式识别技术，通过大量模拟试验、数据分析、理论建模和程序设计，研究能够实时采集客运车辆行驶状态视觉图像信息，在线辨识客运车辆行驶过程中存在的潜在危险，适时警示和记录驾驶人非正常驾驶行为的客运车辆危险行驶状态机器视觉辨识技术及其实现系统。
针对客运车辆行驶状态、运行轨迹和道路环境的视觉感知问题，采用多目标特征集合的方法，进行了道路标识线方位与线型识别以及车辆横向偏航警告技术的研究。通过对道路图像灰度均衡化增强、快速重组中值滤波、Scharr滤波边缘信息提取、感兴趣区域搜索和约束块扫描式最优阈值分割处理，深度挖掘道路边缘轮廓信息。基于种子点投票区域约束、极角区域约束以及链码方向约束等边界约束条件，对Hough变换进行改进并实现了道路标识线的方位检测；融合HSI色彩空间分割与动态窗口搜索实现了道路标识线线型的辨识；引入区域约束粒子滤波跟踪模型，提高了道路标识线的检测效率和环境适应能力。依据逆透视投影变换重建道路关键信息，预测车道平面内自车的行驶轨迹，充分考虑自车横向分速率和横向偏航角的影响，在空间域和时间域内量化危险度，建立了基于自车位姿与时域危险度的车辆横向偏航警告模型，改善了系统的警告机制，提高了系统的可接受度。
针对前方车辆图像识别过程中存在的干扰因素较多、复杂背景排除困难和单一特征表示的局限性等问题，采用多尺度方向特征提取的方法，进行了同车道内自车前方的目标车辆图像识别技术的研究。充分挖掘前方车辆图像信息设置目标搜索区域，减小了系统运算处理信息量。通过对路面灰度均值突变特征的分析，提出前方车辆存在性假设；利用双通道Gabor滤波器提取车辆灰度样本的多尺度方向特征，融合Adaboost分类器对提取的特征样本进行学习训练分类，确定前方车辆在图像中的位置；依据信息熵归一化对称性测度，验证前方车辆存在性假设，排除虚假目标；通过车辆特征样本的离线训练与在线检测相结合的机器学习方式，实现了前方车辆快速、准确的识别和定位。融合改进GM(1,1)灰色预测模型，利用少量历史数据信息动态预测前方车辆的运动轨迹，并以帧间连续性为线索，建立了一种检测与跟踪反馈工作机制，缓和了目标车辆检测过程中鲁棒性与实时性之间的矛盾。
在前方车辆图像识别定位的基础上，采用人-车-路多源信息融合的方法，对安全车距预警技术进行了深入研究。通过对单目视觉测距原理的研究分析，在CCD视觉传感器关键测距参数精确标定的基础上，建立了基于车道平面约束的单目视觉纵向车距测量模型，实现了纵向车距的精确测量。充分考虑驾驶人认知响应特征、车辆响应特性和道路环境等因素，运用多传感器信息融合技术获取前车及自车的行驶状态信息，建立了基于人-车-路多源信息融合的安全车距模型。以驾驶人应急响应概率智能体、前车与自车相对行驶状态智能体和道路环境约束智能体互相协作为架构，建立了群智能体协作的安全车距预警模型，通过模糊积分与模糊测度进行预警决策，充分考虑了外界不确定性因素的影响，在保证行车安全的同时兼顾了道路的通行能力。
探讨了客运车辆危险行驶状态机器视觉辨识系统的总体设计与实现，以嵌入式双核并行高速数字图像信号处理DSP和微处理器MCU作为硬件开发平台，完成了系统关键部件的选型以及总体功能模块的设计，并对系统图像处理过程中的内存分配和调用进行了优化设计。
With the rapid development of highway transportation industry, road traffic safetyproblems have been increasingly prominent. Generally highway passenger transportationaccidents are personnel and malignant, they not only caused huge economic losses totransport enterprise, but also had a bad social influence on local road transport administration.What’s more, they have become a new social unstable factor to some extent. So carrying outhighway passenger vehicle dangerous driving status machine vision recongition systemresearch, improving highway passenger safety and road passenger transport safetymanagement ability, providing some visual evidence after the traffic accident, have wideapplication future and market demand.
Relying on the "11th five-year plan" national science and technology support plan keyprojects (2009BAG13A07) and the national natural science fund project (51278062), thispaper applies a combination of computer graphics, information engineering, vehicleengineering, traffic engineering and other multi-disciplinary theories, and computer visiontechnology for on-board CCD image sensor technology, embedded dure-core parallelhigh-speed DSP digital image processing technology, features of shape edge detection andanalysize technology, machine vision and pattern recognition technology. Through a largenumber of simulation tests, data analysis, theoretical modeling and programming, study thevisual recognition system which can collect real-time passenger vehicle driving state visualimage information, and online identify vehicle driving potential dangers that exist in theprocess of driving, warning and recording passenger vehicle drivers’ improper drivingbehavior.
Aiming at visual perception problems of passenger vehicle driving status, movingtrajectory and road environment, applying the method of multi-objective characteristiccollection, study the recognition of road marking lines’ position and linear and vehicle lateralyaw warning technology. Through the road image gray equalization enhancement, rapidrestructuring of median filtering, Scharr filtering extracting edge information, searching ROIarea and bound quick scanning optimal threshold segmentation, excavate road edge’s profileinformation deeply. Combining constraint of joint seed point voting area with constraint of polar angle and constraint of boundary in chain code direction, improving the Houghtransform to achieve the goal of azimuth detection of road marking line; realize linearidentification by HSI color space segmentation and dynamic window search; introduce areaconstraint particle filter for dynamic tracking and improve the detection efficiency of roadmarking line and environment adaptability. According to inverse perspective projectiontransformation, rebuild the key information of road, estimate the driving track of vehiclewhich is in the lane plane, comprehensive consideration of the influence of yaw rate andlateral angle, quantitative risk within the space domain and time domainon, establish thelateral yawing warning model which is based on the parking posture and risk of time domain,improve the warning mechanism and the acceptable degree of the system.
Aiming at the problems that too many interference factors difficulties lie in ruling out thecomplex background, limitations result from single feature representation that exist in theprocess of the front vehicle recognition, carries on the research on recognition technology ofthe front car in the same lane plane by the feature extraction method of multi-scale direction.Fully excavcating the image information of front vehicle, set target search area, reducing theprocessing amount of system calculation. Through the analysis of the pavement grayscaleaverage mutation characteristics, put forward the front vehicle existence assumption; extractsthe multi-scale direction characteristics of vehicle gray sample by using dual channel Gaborfilter, fuse the extracted features which is extracted by Adaboost classifier to learn, train andclassify, detect the position in the image of the front vehicle; verifies the existence assumptionof front vehicle on the ground of information entropy normalized symmetry measure, theneliminates the false targets; realizes the detection and location of front vehicle through themachine learning method of a combination of off-line training and on-line detection ofvehicles' characteristic sample. Fusing the improved GM(1,1) gray forecasting model,dynamically predicts the moving track of front vehicle through only a small amount datainformation. Using the continuity of frame interval as clues, establishes a detection andtracking feedback working mechanism to defuse the target vehicle contradiction betweenreal-time and robustness.
On the basis of image recognition and location of front vehicle, applyingdriver-vehicle-road multi-source information fusion method to further study the safety vehicle distance recognition and warning technology. Through the theoretical analysis of monocularvision range finding principle, establishes the monocular vision vertical distance measurementmodel which is base on the lane plane constraint on the basis of accurate calibration of CCDimage sensor key measure parameters, realized the precise measurement of the verticaldistances. Given full consideration to the driver's cognitive response characteristics, vehicleresponse characteristics and road environment factors, using multi-sensor information fusiontechnology to get vehicle running status information of front vehicle and host vehicle,establish the safety distance model which is based on multi-source, such as driver, vehicle,road information fusion. Collaborating driver emergency response probability agent withrelative state agent of front vehicle and host vehicle and road environment constraints agent asarchitecture, establishes Multi-Agent system for safety distance warning model. Given fullconsideration to the impact of outside uncertainty factors, through fuzzy integral and fuzzymeasure as the warning decision, guarantees the driving safety as well as the capacity ofhighway traffic.
Discussed the overall design and implementation of machine vision recognition systemfor passenger vehicles’ dangerous driving state, with embedded dual-core parallel high-speeddigital image signal processing of DSP and microprocessor MCU as hardware developmentplatform, completed the selection of key system components and design of overall functionmodule, optimized the memory allocation and transfer for the system image processing.
本文依托“十一五”国家科技支撑计划重大项目(2009BAG13A07)和国家自然科学基金项目(51278062)，综合运用计算机图形学、信息工程学、车辆工程学、交通工程学等多学科理论以及机器视觉技术中的车载CCD视觉传感采集技术、嵌入式双核并行高速DSP数字图像处理技术、边缘形状检测与分析技术、机器学习技术与模式识别技术，通过大量模拟试验、数据分析、理论建模和程序设计，研究能够实时采集客运车辆行驶状态视觉图像信息，在线辨识客运车辆行驶过程中存在的潜在危险，适时警示和记录驾驶人非正常驾驶行为的客运车辆危险行驶状态机器视觉辨识技术及其实现系统。
针对客运车辆行驶状态、运行轨迹和道路环境的视觉感知问题，采用多目标特征集合的方法，进行了道路标识线方位与线型识别以及车辆横向偏航警告技术的研究。通过对道路图像灰度均衡化增强、快速重组中值滤波、Scharr滤波边缘信息提取、感兴趣区域搜索和约束块扫描式最优阈值分割处理，深度挖掘道路边缘轮廓信息。基于种子点投票区域约束、极角区域约束以及链码方向约束等边界约束条件，对Hough变换进行改进并实现了道路标识线的方位检测；融合HSI色彩空间分割与动态窗口搜索实现了道路标识线线型的辨识；引入区域约束粒子滤波跟踪模型，提高了道路标识线的检测效率和环境适应能力。依据逆透视投影变换重建道路关键信息，预测车道平面内自车的行驶轨迹，充分考虑自车横向分速率和横向偏航角的影响，在空间域和时间域内量化危险度，建立了基于自车位姿与时域危险度的车辆横向偏航警告模型，改善了系统的警告机制，提高了系统的可接受度。
针对前方车辆图像识别过程中存在的干扰因素较多、复杂背景排除困难和单一特征表示的局限性等问题，采用多尺度方向特征提取的方法，进行了同车道内自车前方的目标车辆图像识别技术的研究。充分挖掘前方车辆图像信息设置目标搜索区域，减小了系统运算处理信息量。通过对路面灰度均值突变特征的分析，提出前方车辆存在性假设；利用双通道Gabor滤波器提取车辆灰度样本的多尺度方向特征，融合Adaboost分类器对提取的特征样本进行学习训练分类，确定前方车辆在图像中的位置；依据信息熵归一化对称性测度，验证前方车辆存在性假设，排除虚假目标；通过车辆特征样本的离线训练与在线检测相结合的机器学习方式，实现了前方车辆快速、准确的识别和定位。融合改进GM(1,1)灰色预测模型，利用少量历史数据信息动态预测前方车辆的运动轨迹，并以帧间连续性为线索，建立了一种检测与跟踪反馈工作机制，缓和了目标车辆检测过程中鲁棒性与实时性之间的矛盾。
在前方车辆图像识别定位的基础上，采用人-车-路多源信息融合的方法，对安全车距预警技术进行了深入研究。通过对单目视觉测距原理的研究分析，在CCD视觉传感器关键测距参数精确标定的基础上，建立了基于车道平面约束的单目视觉纵向车距测量模型，实现了纵向车距的精确测量。充分考虑驾驶人认知响应特征、车辆响应特性和道路环境等因素，运用多传感器信息融合技术获取前车及自车的行驶状态信息，建立了基于人-车-路多源信息融合的安全车距模型。以驾驶人应急响应概率智能体、前车与自车相对行驶状态智能体和道路环境约束智能体互相协作为架构，建立了群智能体协作的安全车距预警模型，通过模糊积分与模糊测度进行预警决策，充分考虑了外界不确定性因素的影响，在保证行车安全的同时兼顾了道路的通行能力。
探讨了客运车辆危险行驶状态机器视觉辨识系统的总体设计与实现，以嵌入式双核并行高速数字图像信号处理DSP和微处理器MCU作为硬件开发平台，完成了系统关键部件的选型以及总体功能模块的设计，并对系统图像处理过程中的内存分配和调用进行了优化设计。
With the rapid development of highway transportation industry, road traffic safetyproblems have been increasingly prominent. Generally highway passenger transportationaccidents are personnel and malignant, they not only caused huge economic losses totransport enterprise, but also had a bad social influence on local road transport administration.What’s more, they have become a new social unstable factor to some extent. So carrying outhighway passenger vehicle dangerous driving status machine vision recongition systemresearch, improving highway passenger safety and road passenger transport safetymanagement ability, providing some visual evidence after the traffic accident, have wideapplication future and market demand.
Relying on the "11th five-year plan" national science and technology support plan keyprojects (2009BAG13A07) and the national natural science fund project (51278062), thispaper applies a combination of computer graphics, information engineering, vehicleengineering, traffic engineering and other multi-disciplinary theories, and computer visiontechnology for on-board CCD image sensor technology, embedded dure-core parallelhigh-speed DSP digital image processing technology, features of shape edge detection andanalysize technology, machine vision and pattern recognition technology. Through a largenumber of simulation tests, data analysis, theoretical modeling and programming, study thevisual recognition system which can collect real-time passenger vehicle driving state visualimage information, and online identify vehicle driving potential dangers that exist in theprocess of driving, warning and recording passenger vehicle drivers’ improper drivingbehavior.
Aiming at visual perception problems of passenger vehicle driving status, movingtrajectory and road environment, applying the method of multi-objective characteristiccollection, study the recognition of road marking lines’ position and linear and vehicle lateralyaw warning technology. Through the road image gray equalization enhancement, rapidrestructuring of median filtering, Scharr filtering extracting edge information, searching ROIarea and bound quick scanning optimal threshold segmentation, excavate road edge’s profileinformation deeply. Combining constraint of joint seed point voting area with constraint of polar angle and constraint of boundary in chain code direction, improving the Houghtransform to achieve the goal of azimuth detection of road marking line; realize linearidentification by HSI color space segmentation and dynamic window search; introduce areaconstraint particle filter for dynamic tracking and improve the detection efficiency of roadmarking line and environment adaptability. According to inverse perspective projectiontransformation, rebuild the key information of road, estimate the driving track of vehiclewhich is in the lane plane, comprehensive consideration of the influence of yaw rate andlateral angle, quantitative risk within the space domain and time domainon, establish thelateral yawing warning model which is based on the parking posture and risk of time domain,improve the warning mechanism and the acceptable degree of the system.
Aiming at the problems that too many interference factors difficulties lie in ruling out thecomplex background, limitations result from single feature representation that exist in theprocess of the front vehicle recognition, carries on the research on recognition technology ofthe front car in the same lane plane by the feature extraction method of multi-scale direction.Fully excavcating the image information of front vehicle, set target search area, reducing theprocessing amount of system calculation. Through the analysis of the pavement grayscaleaverage mutation characteristics, put forward the front vehicle existence assumption; extractsthe multi-scale direction characteristics of vehicle gray sample by using dual channel Gaborfilter, fuse the extracted features which is extracted by Adaboost classifier to learn, train andclassify, detect the position in the image of the front vehicle; verifies the existence assumptionof front vehicle on the ground of information entropy normalized symmetry measure, theneliminates the false targets; realizes the detection and location of front vehicle through themachine learning method of a combination of off-line training and on-line detection ofvehicles' characteristic sample. Fusing the improved GM(1,1) gray forecasting model,dynamically predicts the moving track of front vehicle through only a small amount datainformation. Using the continuity of frame interval as clues, establishes a detection andtracking feedback working mechanism to defuse the target vehicle contradiction betweenreal-time and robustness.
On the basis of image recognition and location of front vehicle, applyingdriver-vehicle-road multi-source information fusion method to further study the safety vehicle distance recognition and warning technology. Through the theoretical analysis of monocularvision range finding principle, establishes the monocular vision vertical distance measurementmodel which is base on the lane plane constraint on the basis of accurate calibration of CCDimage sensor key measure parameters, realized the precise measurement of the verticaldistances. Given full consideration to the driver's cognitive response characteristics, vehicleresponse characteristics and road environment factors, using multi-sensor information fusiontechnology to get vehicle running status information of front vehicle and host vehicle,establish the safety distance model which is based on multi-source, such as driver, vehicle,road information fusion. Collaborating driver emergency response probability agent withrelative state agent of front vehicle and host vehicle and road environment constraints agent asarchitecture, establishes Multi-Agent system for safety distance warning model. Given fullconsideration to the impact of outside uncertainty factors, through fuzzy integral and fuzzymeasure as the warning decision, guarantees the driving safety as well as the capacity ofhighway traffic.
Discussed the overall design and implementation of machine vision recognition systemfor passenger vehicles’ dangerous driving state, with embedded dual-core parallel high-speeddigital image signal processing of DSP and microprocessor MCU as hardware developmentplatform, completed the selection of key system components and design of overall functionmodule, optimized the memory allocation and transfer for the system image processing.
引文
[1]公安部交通管理局．道路交通事故统计年报[R]．2010
[2]公安部道路交通管理局．关于2011年全国道路交通事故情况[EB/OL]．http://www.mps.gov.cn/nl6/n85753/n85870/1970695.html，2012-01-02
[3]公安部道路交通管理局．中华人民共和国道路交通事故统计年报[R]．2011
[4]林广宇，魏朗．基于数字图像技术的汽车行驶轨迹状态识别[J]．交通运输工程学报，2006，6(3)：114-117
[5]李克强．汽车智能安全电子技术发展现状与展望[J]．汽车工程学报，2011，1(1)：5-16
[6]顾柏园．基于单目视觉的安全距预警系统研究[D]．长春：吉林大学，2006
[7]余天洪，王荣本，顾柏园．基于机器视觉的智能车辆前方道路边界及车道标识识别方法综述[J]．公路交通科技，2006，23(1)：140-142
[8]Bertozzi M，Broggi A，Cellario M，et al．Artificial Vision in Road Vehicles[J]．Proceedings of the IEEE，2002，90(7)：1258-1271
[9]James M. Ferryman，Stephen J. Maybank，Anthony D. Worrall．Visual Surveillance for Moving Vehicles[J]．International Journal of Computer Vision，2000，37(2)：187-197
[10]Wannes van der Mark，Dariu M．Gavrila．Real-Time Dense Stereo for Intelligent Vehicles[J]．IEEETransactions on Intelligent Transportation Systems，2006，7(1)：38-50
[11]Maurer M．VaMoRs-P-An Advanced Platform for Visual Autonomous Road Vehicle Guidance[A]．Proc.SPIE Conference on Mobile Robots[C]．1994：218-225
[12]T． Jochem， Vehicles． A Portable Navigation Platform[A]． IEEE Symposium on IntelligentDetroit[C]．Michigan，1995：107-112
[13]蔡傲霜．基于图像的车辆行道线检测与跟踪保持[D]．江苏：南京理工大学，2011
[14]D.A. Pomerleau．Progress In Neural Network-Based Vision for Autonomous Robot Driving[A]．IEEEIntelligent Vehicles symposium[C]．1992：391-396
[15]Alberto Broggi．Automatic Vehicle Guidance：The Experience of the ARGO Autonomous Vehicle[M]．Italy：World Science Publishing Co．Ltd，1999：25-32
[16]Chen Mei，Jochem Todd， Pomerleau Dean．AURORA：A Vision-Based Roadway Departure WarningSystem [A]．IEEE International Conference on Intelligent Robots and Systems[C]．1995：243-248
[17]W.Huber．Autonoumous Driving on Vehicle Test Tracks：Overview Motivation，and Concept[A]．IEEE
[18]Iteris' Lane Departure Warning system NowAvailable on Mercedes Trucks in Europe [EB/OL]．http：//ivsource.net/archivep/2000/jun/a000623_iteris.pdf
[19]欧青立，何克忠．室外智能移动机器人的发展及其关键技术研究[J]．机器人，2000，22(6)：520-526
[20]http：//www.iteris.com/news/113004.html
[21]http：//wenku.it168.com/d_000578661.html
[22]http：//www.ic37.com/htm_news/2007-8/128551_705088.html
[23]http：//auto.hexun.com/2012-07-03/143140322.html
[24]Yuji Otsuka，Shoji Muramatsu．Multitype Lane Markers Recognition Using Local Edge Direction[A]．IEEE Intelligent Vehicle Symposium[C].2002，2：604-609
[25]R．Turchetto，R．Manduchi．Visual Curb Localization for Autonomous Navigation[A]．IEEE IntelligentRobots and Systems conference[C]. California，2003，10：1336-1342
[26]Sung yug Choi，Tae Seok Jin，Jang Myung Lee. Optimal Moving Windows for Real-Time RoadimagesProcessing[J]．Journal of Robotic Systems，2003，20(2)：65-77
[27]C.Kreucher，S.Lakshmanan. LANA：A lane Extraction Algorithm that Uses Frequency DomainFeatures[J]．IEEE Transactions on Robotics and Automation，1999，15(2)：343-350
[28]Bertozzi M，Broggi A，Fascioli A．Vision-Based Intelligent Vehicles：State of the Art and Perspectives[J]．Robotics and Autonomous Systems，2000，32(1)：1-16
[29]Axel Gern，Rainer Moebus，Uwe Franke．Vision-Based Lane Recognition under Adverse WeatherConditions Using Optical Flow[A]．IEEE Intelligent Vehicle Symposium[C]．2002：652-657
[30]Roland Chapuis，Jean Laneurit．Accurate Vision Based Road Tracker[A]．IEEE Intelligent VehicleSymposium[C]．2002，2：666-671
[31]Tsai-Hong Hong，Christopher Rasmussen，Tommy Chang，et al．Road Detection and Tracking forAutonomous Mobile Robots[A]．SPIE Aerosense Conference[C]．2002：1-51
[32]Romuald Aufrere，Christoph Mertz，Charles Thorpe．Multiple Sensor Fusion for Detecting Locationof Curbs，Walls，and Barriers[A]．IEEE Intelligent Vehicles Symposium[C]．2003：126-131
[33]Betke Margrit，Haritaoglu Esin，Davis Larry S．Real-Time Multiple Vehicle Detection and Trackingfrom A Moving Vehicle[J]．Machine Vision and Applications，2000，12：69-83
[34]Bensrhair. A，Bertozzi. M，Broggi. A，et a1．Cooperative Approach to Vision-Based VehicleDetection[A]．IEEE Proceedings of Intelligent Transportation Systems[C]．2001：207-212
[35]Narayan Srinivasa．Vision-based Vehicle Detection and Tracking Method for Forward CollisionWarning in Automobiles[A]．IEEE Symposium on Intelligent Vehicles[C]．2002：626-631
[36]Jia Zhen，Balasuriya Arjuna，Challa Subhash．Vision-Based Data Fusion for Autonomous VehiclesTarget Tracking Using Interacting Multiple Dynamic Models[J]． Computer Vision and ImageUnderstanding，2008，109：1-21
[37]Bensrhair A，Bertozzi M，Broggi A，et a1．Cooperative Approach to Vision-Based VehicleDetection[A]．IEEE Proceedings of Intelligent Transportation Systems[C]．2001：207-212
[38]Junxian Wang，Bebis G，Miller R．Overtaking Vehicle Detection Using Dynamic and Quasi-StaticBackground Modeling[A]．IEEE Computer Society Conference on ComputerVision and PatternRecognition[C]．2005，3：64-641
[39]Giachetti A，Campani M，Torre V．The Use of Optical Flow for Road Navigation[J]．IEEE Transactionson Robotics and Automation，1998，14(1)：34-48
[40]Margrit Betke，Esin Haritaoglu，Larry S．Davis. Real-Time Multiple Vehicle Detection and Trackingfrom A Moving Vehicle[J]. Machine Vision and Applications，2000，12(2)：69-83
[41]Gavrila D M， Munder S． Multi-Cue Pedestrian Detection and Tracking From a MovingVehicle[J]．International Journal of Computer Vision，2007，73(1)：41-59
[42]Kass M，Witkin A，Terzopoulos D．Snakes：Active Contour Models[J]．International Journal ofComputer Vision，1988，1(4)：321-331
[43]Kichenassamy S，Kumar A，Olver P，et al．Gradient Flows and Geometric Active ContourModels[A]．International Conference on Computer Vision[C]．Cambridge，MA，USA，1995：810-815
[44]Bertozzi M，Broggi A．Gold：A Parallel Real-Time Stereo Vision System for Generic Obstacle andLane Detection[J]．IEEE Transactions on Image Processing，1998，7(1)：62-81
[45]Zhao G W，Yuta S．Obstacle Detection by Vision System for An Autonomous Vehicle[A]．IEEEIntelligent Vehicles Symposium[C]．Tokyo，Japan，1993：31-36
[46]M. Bertozzi，A. Broggi，A. Fascioli，et al．Stereo Vision-Based Vehicle Detection[A]．IEEE Symposiumon Intelligent Vehicles[C]．2000：39-44
[47]张其善，吴今培，杨东凯．智能车辆定位导航系统及其应用[M]．北京：科学出版社，2002：10-75
[48]戴斌，裘伟．逆透视投影下车道偏离时间的在线估计[J]．计算机工程与应用，2007，43(21)：235-238
[49]毕雁冰．高速汽车车道偏离预警系统可行区域感知算法研究[D]．长春：吉林大学，2006
[50]陈超．自动导引车(AGV)系统设计中的几个关键问题研究[D]．上海：上海交通大学，2005
[51]Qing Li，Nanning Zheng，Hong Cheng．Spring Robot：A Prototype Autonomous Vehicle and ItsAlgorithms for Lane Detection[J]．IEEE Transactions on Intelligent Transportation System，2004，5(4)：300-308
[52]张青森．基于单目视觉的车辆主动安全技术研究[D]．成都：电子科技大学，2011
[53]宋尚文．视觉导航中车道标志线检测的改进算法[D]．辽宁：东北大学，2008
[54]董因平．高速车辆横向险态预警系统的算法研究[D]．长春：吉林大学，2004
[55]余天洪．基于机器视觉的车辆偏离预警系统研究[D]．长春：吉林大学，2006
[56]Ye Lu，Jian Ming Yang．Vision-based Real-time Road Detection in Ubran Traffic[A]，Proc．SPIEVol．4666[C]．Real-Time Imaging Vl，NasserKehtarnvaaz，2002，(3)：75-82
[57]程洪，郑南宁，高振海，等．基于主元神经网络和K均值的道路识别算法[J]．西安交通大学学报，2003，37(8)：812-815
[58]沈峘．智能车辆视觉环境感知技术的研究[D]．江苏：南京航空航天大学，2010
[59]郭磊，李克强，王建强，等．应用方向可调滤波器的车道线识别方法[J]．机械工程学报，2008(8)：214-226
[60]徐友春．智能车辆视觉与GPS综合导航方法的研究[D]．吉林：吉林大学，2001
[61]廖传锦，黄席樾．基于边缘提取和特征跟踪的道路检测算法[J]．重庆大学学报(自然科学版)，2002，25(l)：61-64
[62]Wang Y，Teoh E. K，Shen D．Lane Detection and Tracking Using B-Snake[J]．Image and VisionComputer，2004，22(4)：269-280
[63]郭磊，李克强，王建强．一种基于特征的车辆检测方法[[J]．汽车工程，2006，28(11)：1031-1035
[64]顾柏园，王荣本，余天洪，等．基于视觉的前方车辆探测技术研究方法综述[J]．公路交通科技．2005，22(10)：115-118
[65]施树明，储江伟，李斌，等．基于单目视觉的前方车辆探测方法[J]．农业机械学报．2004，35(4)：5-8
[66]张玲增．基于多特征的前方车辆检测与跟踪方法研究[D]．江苏：江苏大学，2010
[67]胡铟，杨静宇．基于模型的车辆检测与跟踪[J]．中国图象图形学报，2008，13(3)：450-455
[68]高德芝，段建民，杨喜宁，等．智能车前方目标车辆检测方法研究[J]．计算机工程与设计，2010．31(23)：5100-5103
[69]刘亚东，李翠华．基于多尺度边缘和局部熵原理的前方车辆检测[J]．计算机技术与发展，2008，18(3)：200-203
[70]李云翀，何克忠，贾培发．基于阴影特征和Adaboost的前向车辆检测系统[J]．清华大学学报(自然科学版)．2007，47(10)：1714-1716
[71]文学志，方巍，郑钰辉．一种基于类Haar特征和改进AdaBoost分类器的车辆识别算法[J]．电子学报，2011，39(5)：1121-1126
[72]王荣本，余天洪，顾柏园，等．基于边界的车道标识线识别和跟踪方法研究[J]．计算机工程，2006，32(18)：195-196
[73]杨喜宁，段建民，高德芝，等．基于改进Hough变换的车道线检测技术[J]．计算机测量与控制，2010，18(2)：292-294
[74]许录平．数字图像处理[M]．北京：科学出版社，2007：151-153
[75]Amol Borkar，Monson Hayes，Mark T．Smith．A Template Matching and Ellipse Modeling Approachto Detecting Lane Markers[A]．Advanced Concepts for Intelligent Vision Systems[C]．2010，6745：179-190
[76]Bertozzi M，Broggi A．GOLD：A Parallel Real-Time Stereo Vision System for Generic Obstacle andLane Detection[J]．IEEE Transactions on Image Processing，1998，7(1)：62-81
[77]Joel C．McCall，Mohan M．Trivedi，Video-Based Lane Estimation and Tracking for Driver Assitance：Survey，System，and Evaluation[J]．IEEE Transactions on Intelligent Transportation Systems，2006，7(1)：20-37
[78]谢凤英，赵丹培．Visual C++数字图像处理[M]．北京：电子工业出版社，2008：263-265
[79]何斌等．Visual C++数字图像处理[M]．北京：人民邮电出版社，2001：394-400
[80]Claudio Rosito Jung，Christian Roberto Kelber．Lane Following and Lane Departure Using aLinear-Parabolic Model[J]，Image and Vision Computing，2005，23(13)：1192-1202
[81]管欣，贾鑫，高振海．车道检测中感兴趣区域选择及自适应阈值分割[J]．公路交通科技．2009，26(6)：106-108．
[82]Alberto Broggi，Alessandra Fascioli．Artificial Vision in Extreme Environments for Snowcat TracksDetection[J]．IEEE Transactions on Intelligent Transportation System，2002，3(3)：162-172
[83]Lee J．A Machine Vision System for Lane-Departure Detection[J]．Computer Vision and ImageUnderstanding，2002，86(1)：52-78
[84]张伟．智能车辆中的道路检测与识别[D]．重庆：重庆大学，2006
[85]邱桑敏，夏雨人．一种快速霍夫变换算法[J]．计算机工程．2004，30(2)：148-150
[86]朱芳芳，顾宏斌，孙瑾．一种改进的Hough变换直线检测算法[J]．计算机技术与发展，2009，19(5)：20-22
[87]康文静，丁雪梅，崔继文，等．基于改进Hough变换的直线图形快速提取算法[J]．光电工程，2007，34(3)：105-108，117
[88]贾鑫．智能车辆视觉感知中的车道标线识别方法的研究[D]．长春：吉林大学，2008
[89]Tsung-Ying，S．，et al．HSI Color Model Based Lane-marking Detection[A]．IEEE Conference onIntelligent Transportation Systems[C]．2006：1168-1172
[90]Amit Bhatia． Lane Detection System for Autonomous Vehicle Navigation[J]． Society ofPhoto-Optical Instrumentation Engineers，Vol．6764：1-10
[91]C Hue，J-P Le Cadre，P Perez．Tracking Multiple Objects with Particle Filtering[J]．IEEE Trans onAerospace and Electronic Systems，2002，38(3)：791-812
[92]Wei Liu，Hongliang Zhang，Bobo Duan，et al．Vision-Based Real-Time Lane Marking Detection andTracking[A]．Proceedings of the11th International IEEE Conference on Intelligent TransportationSystems [C]．Beijing，China，October12-15，2008：50-54
[93]Crisan D， Doucet A． A Survey of Convergence Results on Particle Filtering Methods forPractitioners[J]，IEEE Trans. Speech and Audio Proc.，2002，10(3)：173-185
[94]张洪亮．基于粒子滤波的车道标识线检测与跟踪算法的设计与实现[D]．辽宁：东北大学，2008
[95]于兵．基于视觉的汽车主动安全关键技术研究[D]．江苏：东南大学，2009
[96]林广宇．基于嵌入式技术的车载图像监控系统研究[D]．西安：长安大学，2009
[97]葛平淑．车道偏离预警视觉系统算法改进研究[D]．长春：吉林大学，2008
[98]肖献强．基于信息融合的驾驶行为识别关键技术研究[D]．安徽：合肥工业大学，2011
[99]林广宇，魏朗．汽车驾驶员车道内行车特点分析[J]．公路交通科技．2010，27(10)：102-106
[100]李春梅．车道偏离预警模型及评价算法研究[D]．云南：昆明理工大学，2010
[101]刘涛，黄席樾，周欣，等．高速公路弯道识别算法[J]．重庆大学学报，2003，26(7)：24-26
[102] Xu Youchun，Wang Rongben，Li Bing，et al．A Vision Navigation Algorithm Based on LinearModel[A]．IEEE Intelligent Vehicles Symposium[C]．2000(10)：240-245
[103] Reza Keyhani，Mohamed Deriche，Ed Palmer．A High Impedance Fault Detector Using a NeuralNetwork and Subband[A]．International Symposium on Signal Processing and its Applications(ISSPA)[C]．Malaysia13-16August2001：458-461
[104]袁峰．基于Gabor小波的车辆识别与跟踪技术研究[D]．江苏：扬州大学，2009
[105] Lin-Lin Huang，Akinobu Shimizu，Hidefumi Kobatake．Classification-Based Face Detection UsingGabor Filter Features[A]．Proceedings of the Sixth IEEE International Conference on Automatic Faceand Gesture Recognition[C]．2004：1-6
[106] C.Liu．A Bayesian Discriminating Features Methods for Face Detection[A]．IEEE Trans. Pattern Anal.Mach. Intell[C]．2003，Vol．25：725-730
[107] Z. Sun，B.George，M．Ronald．Improving the Performance of On-Road Vehicle Detection byCombining Gabor and Wavelet Features[A]．IEEE5th International Conference on IntelligentTransportation Systems[C]．2002(9)：130-135
[108]陈亮．Gabor小波特征提取技术及其在目标识别中的应用研究[D]．江苏：南京理工大学，2009
[109] J Daugman．Uncertainty Relation for Resolution in Space，Spatial Frequeney and OrientationOptimized by Two-Dimensional Visual Cortical Filters[J]．Journal of the Optical Society of America，1985，A．2：1160-1169
[110]孔凡静．基于图像的路面车辆检测算法研究[D]．北京：中国科学院研究生院，2010
[111]卢邵平．Gabor变换的人脸特征提取算法的研究[D]．四川：四川大学，2005
[112]娄青青．基于Adaboost算法的车辆识别系统研究与实现[D]．辽宁：东北大学，2009
[113]梁英宏．基于Gabor变换和Adaboost算法的人体目标检测分类器[J]．计算机工程与设计．2009，30(24)：5790-5792
[114]张亮修．基于Haar-like特征的实时道路车辆识别方法研究[D]．山东：青岛大学，2009
[115] P．Viola．Robust Real-Time Face Detection[J]．International Journal of Computer Vision，2004(57)：137-154
[116]史忠科，曹力．交通图像检测与分析[M]．北京：科学出版社，2007：128-220
[117] Huh Kunsoo，Park Jaehak，Hwang Junyeon，et al．Stereo Vision-Based Obstacle Detection Systemin Vehicles[J]．Optics and lasers in engineering，2008，46：168-178
[118]袁基炜，史忠科．一种基于灰色预测模型GM(1，1)的运动车辆跟踪方法[J]．控制与决策，2006，21(3)：300-304
[119]党耀国，刘思峰，王正新．灰色预测与决策模型研究[M]．北京：科学出版社，2009：3-98
[120]刘思峰，郭天榜，党耀国．灰色系统理论及其应用[M]．北京：科学出版社，2010：102-134
[121]王传荣，徐国艳，高峰等．基于改进GM (1，1)模型的车辆视频跟踪[J]．汽车工程，2010，4(32)：347-350
[122]林文新，王建伟，袁长伟．高速公路交通量预测的GM(1，1)残差改进模型[J]．长安大学学报(自然科学版)，2011，31(5)：78-79
[123]曾志．基于车道区域分析的实时车辆检测与跟踪算法的研究[D]．北京：清华大学，2006
[124]钟勇，姚剑峰．现代汽车的四种测距方法[J]．汽车工业研究，2001，2：38-40
[125]郭磊，徐友春，李克强．基于单目视觉的实时测距方法研究[J]．中国图象图形学报．2006，11(1)：75-81．
[126]章毓晋．图象理解与计算机视觉[M]．北京：清华大学出版社，2000：10-46
[127]王荣本，李斌，储江伟，等．公路上基于车载单目机器视觉的前方车距测量方法的研究[J]．公路交通科技．2001，18(6)：94-98
[128] Murphey Y L．，Chen J．，Richardson P，et al．Depth Finder，A Real-time Depth Detection Systemfor Aided Driving[A]．IEEE Intelligent Vehicles Symposium[C]．Dearborn (MI)，USA，2000，24(5)：603-609
[129]沈志熙，黄席樾．基于数据回归建模的单目视觉测距算法[J]．计算机工程与应用．2007，43(24)：15-18．
[130]杨唐文，韩建达，王红波，等．基于空间几何约束的单目视觉物体测距[J]．南京理工大学学报．2009，33(增刊)：210-214
[131]余厚云，张为公．基于单目视觉的跟驰车辆车距测量方法[J]．东南大学学报(自然科学版)．2012，42(3)：543-546
[132]刘瑞祯，于仕琪．OpenCV教程-基础篇[M]．北京：北京航空航天大学出版社，2007：26-57
[133]章毓晋．图像工程(下册)[M]．北京：清华大学出版社，2000：25-81
[134]于仕琪，刘瑞祯．学习OpenCV[M]．北京：清华大学出版社，2009：406-438
[135]周勇．智能车中几个关键技术研究[D]．上海：上海交通大学，2007
[136]华希俊，夏乐春，高福学，等．带切向畸变的模型可视化摄像机标定[J]．工程图学学报，2009，3(5)：122-125
[137] http：//www.vision.caltech.edu/bougetj/calib doc/index.html
[138]廖传锦．以人为中心的汽车主动安全预警信息系统研究[D]．重庆：重庆大学，2005
[139]王武宏，曹琦．汽车人机系统中驾驶人可靠性评价的新模型[J]．中国公路学报，1994，7(1)：132-141
[140]潘玲．基于驾驶员认知过程的车辆跟驰模型的建立[D]．吉林：吉林大学，2005
[141]张殿业．驾驶员行为测试技术及安全可靠性研究报告[R]．成都：西南交通大学，1999
[142]梁忠艳．基于车-车通信安全距离模型的驾驶员辅助决策研究[D]．吉林：哈尔滨工业大学，2010
[143]赵英男，刘正东，杨静宇．一种基于Gabor滤波器的车型识别方法[J]．计算机工程，2005，31(22)：172-174
[144]陆斯文，方守恩，王俊骅．基于追尾危险感知模糊推理的交通流运行安全评价[J]．同济大学学报(自然科学版)，2011，39(1)：71-73
[145]连晋毅，华小洋．汽车防追尾碰撞数学模型研究[J]．中国公路学报，2005，18(3)：124-126
[146]卞晓华．基于驾驶行为的车辆运行安全特性及其模型研究[D]．山东：青岛理工大学，2012
[147]梁军，陈小波，程显毅，等．基于MAS和驾驶员行为的追尾预警模型[J]．计算机工程．2009，35(10)：176-178
[148]梁军．基于MAS和驾驶员行为的汽车追尾预警模型研究[D]．江苏：江苏大学，2008
[149]柴毅．智能化汽车主动安全系统研究[D]．重庆：重庆大学，2001
[150]喻丹．机动车驾驶人行为建模及可靠性分析[D]．湖南：长沙理工大学，2011
[151]王武宏，孙逢春，曹琦，等．道路交通系统中驾驶行为理论与方法[M]．北京：科学出版社，2001
[152]魏庆曜，陈斌，金炜东，等．基于Multi-Agent System的跟驰模型[J]．长沙交通学院学报，2005，21(3)：68-71
[153]王晓原，王雷，杨新月．驾驶员多源信息融合协同仿真算法研究[J]．计算机工程与应用．2006．24(3)：195-206
[154]廖传锦，黄席樾，柴毅．基于信息融合的汽车防撞决策系统研究[J]．系统仿真学报，2004，16(7)：1589-1596
[155]王雷，王晓原，杨新月．基于多源信息融合的驾驶员行为协同仿真算法[J]．交通运输系统工程与信息，2006，6(1)：87-90
[156]赵文杰．DSP和低成本CCD的车道视觉检测算法研究[D]．长春：吉林大学，2007
[157]崔晓萌．基于Blackfin DSP的图像采集处理系统[D]．长春：哈尔滨工业大学，2007
[158] Stephen P.Tseng，YungSheng Liao，ChihHsie Yeh，et al．A DSP-based Lane Recognition Method forthe Lane Departure Warning System of Smart Vehicles[A]． Proceedings of the2009IEEEInternational Conference on Networking，Sensing and Control[C]．Okayama，Japan，March26-29，2009：823-828
[159]韩洋．高速公路汽车追尾防撞预警系统研究[D]．山西：中北大学，2008
[160]邓明哲．高速公路追尾碰撞预防报警系统的研究[D]．武汉：武汉理工大学，2006
[161]张良力．面向安全预警的机动车驾驶意图识别方法研究[D]．武汉：武汉理工大学，2011
[162]蔡英凤，张为公，于兵．嵌入式车道偏离报警系统硬件设计[J]．测控技术，2009，4(28)：32-34
[163]陈军．基于DSP的高速公路车道偏离报警系统研究[D]．天津：天津大学，2010
[164]陈锋．基于Blackfin DSP的数字图像处理[M]．北京：电子工业出版社，2009：85-86
[165]邢延超，皇甫伟．数字视频处理原理及DSP实现[M]．北京：电子工业出版社，2011：96-98
[166] ADSP-BF561datasheet[Z]．Analog Device．Inc，2009
[167] David Katz，Tomasz Lukasiak，Rick Gentile．Use of Video Technology To Improve AutomotiveSafety Becomes More Feasible with Blackfin Processors[Z]．Analog Dialogue，march，2004
[168]唐建．Blackfin双核处理器与应用开发[M]．北京：电子工业出版社，2010：139-169
[2]公安部道路交通管理局．关于2011年全国道路交通事故情况[EB/OL]．http://www.mps.gov.cn/nl6/n85753/n85870/1970695.html，2012-01-02
[3]公安部道路交通管理局．中华人民共和国道路交通事故统计年报[R]．2011
[4]林广宇，魏朗．基于数字图像技术的汽车行驶轨迹状态识别[J]．交通运输工程学报，2006，6(3)：114-117
[5]李克强．汽车智能安全电子技术发展现状与展望[J]．汽车工程学报，2011，1(1)：5-16
[6]顾柏园．基于单目视觉的安全距预警系统研究[D]．长春：吉林大学，2006
[7]余天洪，王荣本，顾柏园．基于机器视觉的智能车辆前方道路边界及车道标识识别方法综述[J]．公路交通科技，2006，23(1)：140-142
[8]Bertozzi M，Broggi A，Cellario M，et al．Artificial Vision in Road Vehicles[J]．Proceedings of the IEEE，2002，90(7)：1258-1271
[9]James M. Ferryman，Stephen J. Maybank，Anthony D. Worrall．Visual Surveillance for Moving Vehicles[J]．International Journal of Computer Vision，2000，37(2)：187-197
[10]Wannes van der Mark，Dariu M．Gavrila．Real-Time Dense Stereo for Intelligent Vehicles[J]．IEEETransactions on Intelligent Transportation Systems，2006，7(1)：38-50
[11]Maurer M．VaMoRs-P-An Advanced Platform for Visual Autonomous Road Vehicle Guidance[A]．Proc.SPIE Conference on Mobile Robots[C]．1994：218-225
[12]T． Jochem， Vehicles． A Portable Navigation Platform[A]． IEEE Symposium on IntelligentDetroit[C]．Michigan，1995：107-112
[13]蔡傲霜．基于图像的车辆行道线检测与跟踪保持[D]．江苏：南京理工大学，2011
[14]D.A. Pomerleau．Progress In Neural Network-Based Vision for Autonomous Robot Driving[A]．IEEEIntelligent Vehicles symposium[C]．1992：391-396
[15]Alberto Broggi．Automatic Vehicle Guidance：The Experience of the ARGO Autonomous Vehicle[M]．Italy：World Science Publishing Co．Ltd，1999：25-32
[16]Chen Mei，Jochem Todd， Pomerleau Dean．AURORA：A Vision-Based Roadway Departure WarningSystem [A]．IEEE International Conference on Intelligent Robots and Systems[C]．1995：243-248
[17]W.Huber．Autonoumous Driving on Vehicle Test Tracks：Overview Motivation，and Concept[A]．IEEE
[18]Iteris' Lane Departure Warning system NowAvailable on Mercedes Trucks in Europe [EB/OL]．http：//ivsource.net/archivep/2000/jun/a000623_iteris.pdf
[19]欧青立，何克忠．室外智能移动机器人的发展及其关键技术研究[J]．机器人，2000，22(6)：520-526
[20]http：//www.iteris.com/news/113004.html
[21]http：//wenku.it168.com/d_000578661.html
[22]http：//www.ic37.com/htm_news/2007-8/128551_705088.html
[23]http：//auto.hexun.com/2012-07-03/143140322.html
[24]Yuji Otsuka，Shoji Muramatsu．Multitype Lane Markers Recognition Using Local Edge Direction[A]．IEEE Intelligent Vehicle Symposium[C].2002，2：604-609
[25]R．Turchetto，R．Manduchi．Visual Curb Localization for Autonomous Navigation[A]．IEEE IntelligentRobots and Systems conference[C]. California，2003，10：1336-1342
[26]Sung yug Choi，Tae Seok Jin，Jang Myung Lee. Optimal Moving Windows for Real-Time RoadimagesProcessing[J]．Journal of Robotic Systems，2003，20(2)：65-77
[27]C.Kreucher，S.Lakshmanan. LANA：A lane Extraction Algorithm that Uses Frequency DomainFeatures[J]．IEEE Transactions on Robotics and Automation，1999，15(2)：343-350
[28]Bertozzi M，Broggi A，Fascioli A．Vision-Based Intelligent Vehicles：State of the Art and Perspectives[J]．Robotics and Autonomous Systems，2000，32(1)：1-16
[29]Axel Gern，Rainer Moebus，Uwe Franke．Vision-Based Lane Recognition under Adverse WeatherConditions Using Optical Flow[A]．IEEE Intelligent Vehicle Symposium[C]．2002：652-657
[30]Roland Chapuis，Jean Laneurit．Accurate Vision Based Road Tracker[A]．IEEE Intelligent VehicleSymposium[C]．2002，2：666-671
[31]Tsai-Hong Hong，Christopher Rasmussen，Tommy Chang，et al．Road Detection and Tracking forAutonomous Mobile Robots[A]．SPIE Aerosense Conference[C]．2002：1-51
[32]Romuald Aufrere，Christoph Mertz，Charles Thorpe．Multiple Sensor Fusion for Detecting Locationof Curbs，Walls，and Barriers[A]．IEEE Intelligent Vehicles Symposium[C]．2003：126-131
[33]Betke Margrit，Haritaoglu Esin，Davis Larry S．Real-Time Multiple Vehicle Detection and Trackingfrom A Moving Vehicle[J]．Machine Vision and Applications，2000，12：69-83
[34]Bensrhair. A，Bertozzi. M，Broggi. A，et a1．Cooperative Approach to Vision-Based VehicleDetection[A]．IEEE Proceedings of Intelligent Transportation Systems[C]．2001：207-212
[35]Narayan Srinivasa．Vision-based Vehicle Detection and Tracking Method for Forward CollisionWarning in Automobiles[A]．IEEE Symposium on Intelligent Vehicles[C]．2002：626-631
[36]Jia Zhen，Balasuriya Arjuna，Challa Subhash．Vision-Based Data Fusion for Autonomous VehiclesTarget Tracking Using Interacting Multiple Dynamic Models[J]． Computer Vision and ImageUnderstanding，2008，109：1-21
[37]Bensrhair A，Bertozzi M，Broggi A，et a1．Cooperative Approach to Vision-Based VehicleDetection[A]．IEEE Proceedings of Intelligent Transportation Systems[C]．2001：207-212
[38]Junxian Wang，Bebis G，Miller R．Overtaking Vehicle Detection Using Dynamic and Quasi-StaticBackground Modeling[A]．IEEE Computer Society Conference on ComputerVision and PatternRecognition[C]．2005，3：64-641
[39]Giachetti A，Campani M，Torre V．The Use of Optical Flow for Road Navigation[J]．IEEE Transactionson Robotics and Automation，1998，14(1)：34-48
[40]Margrit Betke，Esin Haritaoglu，Larry S．Davis. Real-Time Multiple Vehicle Detection and Trackingfrom A Moving Vehicle[J]. Machine Vision and Applications，2000，12(2)：69-83
[41]Gavrila D M， Munder S． Multi-Cue Pedestrian Detection and Tracking From a MovingVehicle[J]．International Journal of Computer Vision，2007，73(1)：41-59
[42]Kass M，Witkin A，Terzopoulos D．Snakes：Active Contour Models[J]．International Journal ofComputer Vision，1988，1(4)：321-331
[43]Kichenassamy S，Kumar A，Olver P，et al．Gradient Flows and Geometric Active ContourModels[A]．International Conference on Computer Vision[C]．Cambridge，MA，USA，1995：810-815
[44]Bertozzi M，Broggi A．Gold：A Parallel Real-Time Stereo Vision System for Generic Obstacle andLane Detection[J]．IEEE Transactions on Image Processing，1998，7(1)：62-81
[45]Zhao G W，Yuta S．Obstacle Detection by Vision System for An Autonomous Vehicle[A]．IEEEIntelligent Vehicles Symposium[C]．Tokyo，Japan，1993：31-36
[46]M. Bertozzi，A. Broggi，A. Fascioli，et al．Stereo Vision-Based Vehicle Detection[A]．IEEE Symposiumon Intelligent Vehicles[C]．2000：39-44
[47]张其善，吴今培，杨东凯．智能车辆定位导航系统及其应用[M]．北京：科学出版社，2002：10-75
[48]戴斌，裘伟．逆透视投影下车道偏离时间的在线估计[J]．计算机工程与应用，2007，43(21)：235-238
[49]毕雁冰．高速汽车车道偏离预警系统可行区域感知算法研究[D]．长春：吉林大学，2006
[50]陈超．自动导引车(AGV)系统设计中的几个关键问题研究[D]．上海：上海交通大学，2005
[51]Qing Li，Nanning Zheng，Hong Cheng．Spring Robot：A Prototype Autonomous Vehicle and ItsAlgorithms for Lane Detection[J]．IEEE Transactions on Intelligent Transportation System，2004，5(4)：300-308
[52]张青森．基于单目视觉的车辆主动安全技术研究[D]．成都：电子科技大学，2011
[53]宋尚文．视觉导航中车道标志线检测的改进算法[D]．辽宁：东北大学，2008
[54]董因平．高速车辆横向险态预警系统的算法研究[D]．长春：吉林大学，2004
[55]余天洪．基于机器视觉的车辆偏离预警系统研究[D]．长春：吉林大学，2006
[56]Ye Lu，Jian Ming Yang．Vision-based Real-time Road Detection in Ubran Traffic[A]，Proc．SPIEVol．4666[C]．Real-Time Imaging Vl，NasserKehtarnvaaz，2002，(3)：75-82
[57]程洪，郑南宁，高振海，等．基于主元神经网络和K均值的道路识别算法[J]．西安交通大学学报，2003，37(8)：812-815
[58]沈峘．智能车辆视觉环境感知技术的研究[D]．江苏：南京航空航天大学，2010
[59]郭磊，李克强，王建强，等．应用方向可调滤波器的车道线识别方法[J]．机械工程学报，2008(8)：214-226
[60]徐友春．智能车辆视觉与GPS综合导航方法的研究[D]．吉林：吉林大学，2001
[61]廖传锦，黄席樾．基于边缘提取和特征跟踪的道路检测算法[J]．重庆大学学报(自然科学版)，2002，25(l)：61-64
[62]Wang Y，Teoh E. K，Shen D．Lane Detection and Tracking Using B-Snake[J]．Image and VisionComputer，2004，22(4)：269-280
[63]郭磊，李克强，王建强．一种基于特征的车辆检测方法[[J]．汽车工程，2006，28(11)：1031-1035
[64]顾柏园，王荣本，余天洪，等．基于视觉的前方车辆探测技术研究方法综述[J]．公路交通科技．2005，22(10)：115-118
[65]施树明，储江伟，李斌，等．基于单目视觉的前方车辆探测方法[J]．农业机械学报．2004，35(4)：5-8
[66]张玲增．基于多特征的前方车辆检测与跟踪方法研究[D]．江苏：江苏大学，2010
[67]胡铟，杨静宇．基于模型的车辆检测与跟踪[J]．中国图象图形学报，2008，13(3)：450-455
[68]高德芝，段建民，杨喜宁，等．智能车前方目标车辆检测方法研究[J]．计算机工程与设计，2010．31(23)：5100-5103
[69]刘亚东，李翠华．基于多尺度边缘和局部熵原理的前方车辆检测[J]．计算机技术与发展，2008，18(3)：200-203
[70]李云翀，何克忠，贾培发．基于阴影特征和Adaboost的前向车辆检测系统[J]．清华大学学报(自然科学版)．2007，47(10)：1714-1716
[71]文学志，方巍，郑钰辉．一种基于类Haar特征和改进AdaBoost分类器的车辆识别算法[J]．电子学报，2011，39(5)：1121-1126
[72]王荣本，余天洪，顾柏园，等．基于边界的车道标识线识别和跟踪方法研究[J]．计算机工程，2006，32(18)：195-196
[73]杨喜宁，段建民，高德芝，等．基于改进Hough变换的车道线检测技术[J]．计算机测量与控制，2010，18(2)：292-294
[74]许录平．数字图像处理[M]．北京：科学出版社，2007：151-153
[75]Amol Borkar，Monson Hayes，Mark T．Smith．A Template Matching and Ellipse Modeling Approachto Detecting Lane Markers[A]．Advanced Concepts for Intelligent Vision Systems[C]．2010，6745：179-190
[76]Bertozzi M，Broggi A．GOLD：A Parallel Real-Time Stereo Vision System for Generic Obstacle andLane Detection[J]．IEEE Transactions on Image Processing，1998，7(1)：62-81
[77]Joel C．McCall，Mohan M．Trivedi，Video-Based Lane Estimation and Tracking for Driver Assitance：Survey，System，and Evaluation[J]．IEEE Transactions on Intelligent Transportation Systems，2006，7(1)：20-37
[78]谢凤英，赵丹培．Visual C++数字图像处理[M]．北京：电子工业出版社，2008：263-265
[79]何斌等．Visual C++数字图像处理[M]．北京：人民邮电出版社，2001：394-400
[80]Claudio Rosito Jung，Christian Roberto Kelber．Lane Following and Lane Departure Using aLinear-Parabolic Model[J]，Image and Vision Computing，2005，23(13)：1192-1202
[81]管欣，贾鑫，高振海．车道检测中感兴趣区域选择及自适应阈值分割[J]．公路交通科技．2009，26(6)：106-108．
[82]Alberto Broggi，Alessandra Fascioli．Artificial Vision in Extreme Environments for Snowcat TracksDetection[J]．IEEE Transactions on Intelligent Transportation System，2002，3(3)：162-172
[83]Lee J．A Machine Vision System for Lane-Departure Detection[J]．Computer Vision and ImageUnderstanding，2002，86(1)：52-78
[84]张伟．智能车辆中的道路检测与识别[D]．重庆：重庆大学，2006
[85]邱桑敏，夏雨人．一种快速霍夫变换算法[J]．计算机工程．2004，30(2)：148-150
[86]朱芳芳，顾宏斌，孙瑾．一种改进的Hough变换直线检测算法[J]．计算机技术与发展，2009，19(5)：20-22
[87]康文静，丁雪梅，崔继文，等．基于改进Hough变换的直线图形快速提取算法[J]．光电工程，2007，34(3)：105-108，117
[88]贾鑫．智能车辆视觉感知中的车道标线识别方法的研究[D]．长春：吉林大学，2008
[89]Tsung-Ying，S．，et al．HSI Color Model Based Lane-marking Detection[A]．IEEE Conference onIntelligent Transportation Systems[C]．2006：1168-1172
[90]Amit Bhatia． Lane Detection System for Autonomous Vehicle Navigation[J]． Society ofPhoto-Optical Instrumentation Engineers，Vol．6764：1-10
[91]C Hue，J-P Le Cadre，P Perez．Tracking Multiple Objects with Particle Filtering[J]．IEEE Trans onAerospace and Electronic Systems，2002，38(3)：791-812
[92]Wei Liu，Hongliang Zhang，Bobo Duan，et al．Vision-Based Real-Time Lane Marking Detection andTracking[A]．Proceedings of the11th International IEEE Conference on Intelligent TransportationSystems [C]．Beijing，China，October12-15，2008：50-54
[93]Crisan D， Doucet A． A Survey of Convergence Results on Particle Filtering Methods forPractitioners[J]，IEEE Trans. Speech and Audio Proc.，2002，10(3)：173-185
[94]张洪亮．基于粒子滤波的车道标识线检测与跟踪算法的设计与实现[D]．辽宁：东北大学，2008
[95]于兵．基于视觉的汽车主动安全关键技术研究[D]．江苏：东南大学，2009
[96]林广宇．基于嵌入式技术的车载图像监控系统研究[D]．西安：长安大学，2009
[97]葛平淑．车道偏离预警视觉系统算法改进研究[D]．长春：吉林大学，2008
[98]肖献强．基于信息融合的驾驶行为识别关键技术研究[D]．安徽：合肥工业大学，2011
[99]林广宇，魏朗．汽车驾驶员车道内行车特点分析[J]．公路交通科技．2010，27(10)：102-106
[100]李春梅．车道偏离预警模型及评价算法研究[D]．云南：昆明理工大学，2010
[101]刘涛，黄席樾，周欣，等．高速公路弯道识别算法[J]．重庆大学学报，2003，26(7)：24-26
[102] Xu Youchun，Wang Rongben，Li Bing，et al．A Vision Navigation Algorithm Based on LinearModel[A]．IEEE Intelligent Vehicles Symposium[C]．2000(10)：240-245
[103] Reza Keyhani，Mohamed Deriche，Ed Palmer．A High Impedance Fault Detector Using a NeuralNetwork and Subband[A]．International Symposium on Signal Processing and its Applications(ISSPA)[C]．Malaysia13-16August2001：458-461
[104]袁峰．基于Gabor小波的车辆识别与跟踪技术研究[D]．江苏：扬州大学，2009
[105] Lin-Lin Huang，Akinobu Shimizu，Hidefumi Kobatake．Classification-Based Face Detection UsingGabor Filter Features[A]．Proceedings of the Sixth IEEE International Conference on Automatic Faceand Gesture Recognition[C]．2004：1-6
[106] C.Liu．A Bayesian Discriminating Features Methods for Face Detection[A]．IEEE Trans. Pattern Anal.Mach. Intell[C]．2003，Vol．25：725-730
[107] Z. Sun，B.George，M．Ronald．Improving the Performance of On-Road Vehicle Detection byCombining Gabor and Wavelet Features[A]．IEEE5th International Conference on IntelligentTransportation Systems[C]．2002(9)：130-135
[108]陈亮．Gabor小波特征提取技术及其在目标识别中的应用研究[D]．江苏：南京理工大学，2009
[109] J Daugman．Uncertainty Relation for Resolution in Space，Spatial Frequeney and OrientationOptimized by Two-Dimensional Visual Cortical Filters[J]．Journal of the Optical Society of America，1985，A．2：1160-1169
[110]孔凡静．基于图像的路面车辆检测算法研究[D]．北京：中国科学院研究生院，2010
[111]卢邵平．Gabor变换的人脸特征提取算法的研究[D]．四川：四川大学，2005
[112]娄青青．基于Adaboost算法的车辆识别系统研究与实现[D]．辽宁：东北大学，2009
[113]梁英宏．基于Gabor变换和Adaboost算法的人体目标检测分类器[J]．计算机工程与设计．2009，30(24)：5790-5792
[114]张亮修．基于Haar-like特征的实时道路车辆识别方法研究[D]．山东：青岛大学，2009
[115] P．Viola．Robust Real-Time Face Detection[J]．International Journal of Computer Vision，2004(57)：137-154
[116]史忠科，曹力．交通图像检测与分析[M]．北京：科学出版社，2007：128-220
[117] Huh Kunsoo，Park Jaehak，Hwang Junyeon，et al．Stereo Vision-Based Obstacle Detection Systemin Vehicles[J]．Optics and lasers in engineering，2008，46：168-178
[118]袁基炜，史忠科．一种基于灰色预测模型GM(1，1)的运动车辆跟踪方法[J]．控制与决策，2006，21(3)：300-304
[119]党耀国，刘思峰，王正新．灰色预测与决策模型研究[M]．北京：科学出版社，2009：3-98
[120]刘思峰，郭天榜，党耀国．灰色系统理论及其应用[M]．北京：科学出版社，2010：102-134
[121]王传荣，徐国艳，高峰等．基于改进GM (1，1)模型的车辆视频跟踪[J]．汽车工程，2010，4(32)：347-350
[122]林文新，王建伟，袁长伟．高速公路交通量预测的GM(1，1)残差改进模型[J]．长安大学学报(自然科学版)，2011，31(5)：78-79
[123]曾志．基于车道区域分析的实时车辆检测与跟踪算法的研究[D]．北京：清华大学，2006
[124]钟勇，姚剑峰．现代汽车的四种测距方法[J]．汽车工业研究，2001，2：38-40
[125]郭磊，徐友春，李克强．基于单目视觉的实时测距方法研究[J]．中国图象图形学报．2006，11(1)：75-81．
[126]章毓晋．图象理解与计算机视觉[M]．北京：清华大学出版社，2000：10-46
[127]王荣本，李斌，储江伟，等．公路上基于车载单目机器视觉的前方车距测量方法的研究[J]．公路交通科技．2001，18(6)：94-98
[128] Murphey Y L．，Chen J．，Richardson P，et al．Depth Finder，A Real-time Depth Detection Systemfor Aided Driving[A]．IEEE Intelligent Vehicles Symposium[C]．Dearborn (MI)，USA，2000，24(5)：603-609
[129]沈志熙，黄席樾．基于数据回归建模的单目视觉测距算法[J]．计算机工程与应用．2007，43(24)：15-18．
[130]杨唐文，韩建达，王红波，等．基于空间几何约束的单目视觉物体测距[J]．南京理工大学学报．2009，33(增刊)：210-214
[131]余厚云，张为公．基于单目视觉的跟驰车辆车距测量方法[J]．东南大学学报(自然科学版)．2012，42(3)：543-546
[132]刘瑞祯，于仕琪．OpenCV教程-基础篇[M]．北京：北京航空航天大学出版社，2007：26-57
[133]章毓晋．图像工程(下册)[M]．北京：清华大学出版社，2000：25-81
[134]于仕琪，刘瑞祯．学习OpenCV[M]．北京：清华大学出版社，2009：406-438
[135]周勇．智能车中几个关键技术研究[D]．上海：上海交通大学，2007
[136]华希俊，夏乐春，高福学，等．带切向畸变的模型可视化摄像机标定[J]．工程图学学报，2009，3(5)：122-125
[137] http：//www.vision.caltech.edu/bougetj/calib doc/index.html
[138]廖传锦．以人为中心的汽车主动安全预警信息系统研究[D]．重庆：重庆大学，2005
[139]王武宏，曹琦．汽车人机系统中驾驶人可靠性评价的新模型[J]．中国公路学报，1994，7(1)：132-141
[140]潘玲．基于驾驶员认知过程的车辆跟驰模型的建立[D]．吉林：吉林大学，2005
[141]张殿业．驾驶员行为测试技术及安全可靠性研究报告[R]．成都：西南交通大学，1999
[142]梁忠艳．基于车-车通信安全距离模型的驾驶员辅助决策研究[D]．吉林：哈尔滨工业大学，2010
[143]赵英男，刘正东，杨静宇．一种基于Gabor滤波器的车型识别方法[J]．计算机工程，2005，31(22)：172-174
[144]陆斯文，方守恩，王俊骅．基于追尾危险感知模糊推理的交通流运行安全评价[J]．同济大学学报(自然科学版)，2011，39(1)：71-73
[145]连晋毅，华小洋．汽车防追尾碰撞数学模型研究[J]．中国公路学报，2005，18(3)：124-126
[146]卞晓华．基于驾驶行为的车辆运行安全特性及其模型研究[D]．山东：青岛理工大学，2012
[147]梁军，陈小波，程显毅，等．基于MAS和驾驶员行为的追尾预警模型[J]．计算机工程．2009，35(10)：176-178
[148]梁军．基于MAS和驾驶员行为的汽车追尾预警模型研究[D]．江苏：江苏大学，2008
[149]柴毅．智能化汽车主动安全系统研究[D]．重庆：重庆大学，2001
[150]喻丹．机动车驾驶人行为建模及可靠性分析[D]．湖南：长沙理工大学，2011
[151]王武宏，孙逢春，曹琦，等．道路交通系统中驾驶行为理论与方法[M]．北京：科学出版社，2001
[152]魏庆曜，陈斌，金炜东，等．基于Multi-Agent System的跟驰模型[J]．长沙交通学院学报，2005，21(3)：68-71
[153]王晓原，王雷，杨新月．驾驶员多源信息融合协同仿真算法研究[J]．计算机工程与应用．2006．24(3)：195-206
[154]廖传锦，黄席樾，柴毅．基于信息融合的汽车防撞决策系统研究[J]．系统仿真学报，2004，16(7)：1589-1596
[155]王雷，王晓原，杨新月．基于多源信息融合的驾驶员行为协同仿真算法[J]．交通运输系统工程与信息，2006，6(1)：87-90
[156]赵文杰．DSP和低成本CCD的车道视觉检测算法研究[D]．长春：吉林大学，2007
[157]崔晓萌．基于Blackfin DSP的图像采集处理系统[D]．长春：哈尔滨工业大学，2007
[158] Stephen P.Tseng，YungSheng Liao，ChihHsie Yeh，et al．A DSP-based Lane Recognition Method forthe Lane Departure Warning System of Smart Vehicles[A]． Proceedings of the2009IEEEInternational Conference on Networking，Sensing and Control[C]．Okayama，Japan，March26-29，2009：823-828
[159]韩洋．高速公路汽车追尾防撞预警系统研究[D]．山西：中北大学，2008
[160]邓明哲．高速公路追尾碰撞预防报警系统的研究[D]．武汉：武汉理工大学，2006
[161]张良力．面向安全预警的机动车驾驶意图识别方法研究[D]．武汉：武汉理工大学，2011
[162]蔡英凤，张为公，于兵．嵌入式车道偏离报警系统硬件设计[J]．测控技术，2009，4(28)：32-34
[163]陈军．基于DSP的高速公路车道偏离报警系统研究[D]．天津：天津大学，2010
[164]陈锋．基于Blackfin DSP的数字图像处理[M]．北京：电子工业出版社，2009：85-86
[165]邢延超，皇甫伟．数字视频处理原理及DSP实现[M]．北京：电子工业出版社，2011：96-98
[166] ADSP-BF561datasheet[Z]．Analog Device．Inc，2009
[167] David Katz，Tomasz Lukasiak，Rick Gentile．Use of Video Technology To Improve AutomotiveSafety Becomes More Feasible with Blackfin Processors[Z]．Analog Dialogue，march，2004
[168]唐建．Blackfin双核处理器与应用开发[M]．北京：电子工业出版社，2010：139-169