要求：累计中文5000字以上 5年内发表 课题相关

外文翻译
每名学生在毕业设计（论文）期间，应完成不少于2万印刷符的外文翻译，译文不少于5千汉字。
译文内容必须与毕业设计（论文）内容有关，原则上是近五年出版的期刊（不可翻译有中文译文的书籍或期刊），由指导教师在下达任务书时指定。
译文应用标准A4纸单面打字成文，格式与正文相同。表名和图名等均应译成中文。
装订时原文在前，译文在后。
译文必须于毕业设计（论文）中期检查前完成，并交指导教师批改。

2015-6-26 问题解决，视频编码格式问题 通过potplayer录制的视频可以正常处理

DLUT lib 关键词检索
Opencv
车 视觉
交通 视觉

• 《车联网-决战第四屏》非专业角度谈车联网相关技术的研究意义和发展概况
• 《无人驾驶汽车概论》无人驾驶相关的技术总览
• 《无人驾驶车辆模型预测控制》通过CarSim和Simulink联合仿真进行自动驾驶实验（主要是进行运动学和动力学仿真，环境感知还是需要PreScan）
• 《OpenCV 2计算机视觉编程手册(OpenCV 2 Computer Vision Application Programming Cookbook)》Robert Laganière著，张静译,这是一本比较新也比较基础的入门书籍。TP391.41-62 L173-令希图书馆301室

完成情况

• Road surface feature extraction
• Road boudary detection
• Vanishing point detection
• Horizon detection
• Lane-marking feature extraction
• Lane-marking detection
• Road modeling
• Lane tracking
• Lane Daparture Warning

项目大事件

• 毕设答辩完成后发布论文到wiki
• 论文接收后公开源码

中期答辩教务老师提出必须有指导教师意见，印章无所谓（盖章前留点神，别盖反了）。
签字

此处补充需要注意的地方：
参考文献格式

Jane M Doe
顾名思义，first name指 Jane ，是外国人的名字；last name是指 Doe,指的是他们的姓；Middle Initial name 指的是中间名的开头缩写，也就是M。
Zhenqiang Ying
Middle Initial (Alpha or blank spaces) ，中间名的大写第一个字母。空着,不用填,**人没有Middle Name.

middle name 表示中间名,很多外国人有中间名,多是沿用他的一用祖先的名字,好让记念他. 一股填表只需填第一个字母(initial) 如布什,他叫George Walker Bush,一般叫他George W. Bush

注册了CMT Cm6

毕业设计答辩要展现出热情
我接了一个让我非常激动的课题，这个课题可能挽救数万人的生命。在电视屏普及、电脑屏普及、手机屏普及之后，汽车屏成了兵家必争之第四屏，车联网可以给时代带来变革！

答辩也要分析用户（答辩组老师）的需求，需要换位思考。不要在自己角度想象什么重要，什么不重要。

常用链接：

会议
ITSC2014 Intelligent Transportation Systems (ITSC), 2014 IEEE 17th International Conference on

Intelligent Vehicles Symposium Proceedings, 2014 IEEE

Keywords: PR curve, ROC curve, Machine Learning, image processing

为了帮助大家理解，比如我们需要检测一个图像中的人，分类器将图像上的每个像素划分为人和非人像素，目标是人，所以检测为人的像素用Positives表示，检测为非人的像素用Negatives来表示，检测到了需要报告，检测到不是需要拒绝，检测到了实际不是则为误报（错误地报告，false alarms）或错检（非目标当成目标了），该检测到的没有检测到则为漏报或漏检

• True/False = 正确地/错误地
• Positives/Negatives = 识别为目标/识别为非目标
  这样就容易理解了：
• True positives (TP) = 正确地被识别为目标 的像素 （正确检出）
• False positives (FP) = 错误地被识别为目标 的像素（错检，报多了）
• True negatives (TN) = 正确地被识别为非目标 的像素 （正确拒绝）
• False negatives (FN) = 错误地被识别为非目标 的像素 （漏检，报少了）

这些参数是常用的评估方法的基础。通过这些参数的值我们可以计算出ROC空间和PR空间的一个点，多个图像就可以得到多个点，连成曲线就是所谓的ROC曲线和PR曲线。

1. ROC空间（面向真实结果Gound Truth）
   横轴 False Positive Rate (FPR) = 非目标像素中错检为目标的比例（越小越好）
   纵轴 True Positive Rate (TPR) = 目标像素中正确检出的比例（越大越好）
2. PR空间（面向检测结果的正确性）
   横轴 Recall = TPR 实际目标像素中正确检出的比例（越大越好）
   纵轴 Precision = 检测出的目标像素中正确的比例，检测精度（越大越好）

总结图

来自论文The Relationship Between Precision-Recall and ROC Curves

详细讨论可以看论文第二部分Review of ROC and Precision-Recall

简述：detections in car systems, based on one camera.
有的论文中用混了
detection检测 是不是
recognition识别 是什么

detection/classification detector/extractor track/tracking
检测/识别对象

• 道路
  • road detection 道路检测通常指的是路面区域检测
    • 道路边界road boundary, Border dectection
    • 路面：road surface/pavement
  • lane detection 车道检测
    • 车道标记： lane-marking, road marking, road paint lane marks
  • 特殊路面标记：zebra
  • 交通设施
    • 路标/交通标志traffic/road sign(主要是识别)
  • 其他（辅助检测）
    • Vanishing point detection
    • Horizon detection
• 障碍物Obstacles
  • pedestrian
  • car/vehicle
  • car/vehicle distance

其他专有名词

• lane boundaries projective model (LBPM)

限定词、定语修饰

• 车载式 car|vehicle-mounted
• 单目视觉 monocular vision
• On-road/ off-road
• 方法Color-based / Feature-based / model-based
• Unstructured Road

所属领域

• automotive/computer/machine vision
• intelligent vehicles

专有名词表

Intelligent High Beam control
Traffic Sign Recognition
Vehicle Detection providing full speed range

LDW with vehicle detection with fusion (active braking), traffic sign recognition and more.

自动驾驶汽车 Autonomous vehicles,automated driving,Autonomous car,Self-piloting automobile
无人驾驶汽车 driverless car Unmanned Ground Vehicle
自动导航车 self-navigating car
智能驾驶 smart autonomous driving

比较专业的
CVPR2011-Single-Image Shadow Detection and Removal using Paired Regions

最简单的方式是通过选用H分量 解决选取前景物体时的阴影干扰问题

I = imread('YgmAf.jpg');  % your original image
imagesc(I)

I=rgb2hsv(I);
I1=I(:,:,2);   % change to hsv and select the channel with most clear contrast between object and shadow

thresholded = I1 > 0.23; %% Threshold to isolate lungs
thresholded = bwareaopen(thresholded,100);  % remove too small pixels
I2=thresholded.*I1;
I3=edge(I2,'canny',graythresh(I2));  % ostu method
I3 = imfill(I3,'hole');
figure,imagesc(I3)  %object binary image

复杂点的，要直接从图片中去除阴影
matlab单文件

关键字 Shadow Detection and De-shadowing Methods
/misop/shadow_removal

Shadow Removal- 车道线被阴影干扰， 阴影中也有车道线，
传统的阴影去除针对物体的阴影
树木的阴影作为主要干扰
http://arma.sourceforge.net/shadows/

每周五发送邮件，汇报本周工作和下周安排
每两周根据进度修订一下整体规划（双周周二）

周报目录（点击跳转）

第一周 仿真平台和无人车环境感知技术调研
第二周 车道线检测理论学习
总结一 完成环境搭建和初步实验
第三周 图像处理算法实验
第四周 初步完成车道线提取、进行了Mobileye调研
总结二 Mobileye调研、车道线提取初步完成
第五周 撰写论文，完成文献翻译修订

图像帧改变触发各个处理后图像的改变。而播放器可以调节帧的位置，方便定位、调试

由于车道线方向不定，二维的滤波核函数不太合适。采用一维的滤波核函数
或者简单地采用三点关系式，很多论文都有提到。感觉前者更靠谱些。

中英文题目
题目：___
Title：___
题目来源（在合适的项目前划√）
（ ）科研项目、（ ）工程模拟、（ ）实际应用、（ ）自拟课题、其他：___

输入由单个图像改为视频

目录：
opencv
matlab
其他

• 图文并茂，多添加一些图，内容有点枯燥
• 图表引用
• 维纳滤波
• Butterworth滤波
• 滤波比较图
• 图像邻域定义
• 图像边界定义
• 直方图均衡化
• 完整完成
• 重读

通过阅读别人的源码做好总体设计，打好框架，之后再不断细化。

LaneSystem

from https://github.com/Marcello-LI/DriverAssist

Lane-Marking-Detection-Tracking

https://github.com/NamanCMU/Lane-Marking-Detection-Tracking/

the author is from Carnegie Mellon University(卡内基梅隆大学)

Filter + Hough + KMeans + KF

Source Code about road scene understanding

road detection in urban traffic scenes

On-road vehicle detection: a review

待解决问题：

• 裁剪ROI后，仍然在原图上进行标记

2015-05-30 不应采用互联网图片，太杂，要想开发能够普适的算法太难，先从某个特定的数据集进行实验！视频中的图片抽取出来实验，网上搜索合适的数据集
2015-07-27 用专业的数据集或者自行拍摄，不要浪费时间从网上找乱七八糟的视频！见 #59

没有合适的网络视频
国内
难 http://www.letv.com/ptv/vplay/20639506.html 连车道线都没有的乡村路。。。路面检测
都是草，没有阴影，没有检测难度的乡村路 http://v.youku.com/v_show/id_XNzgwNDM1NzMy.html
简单 http://baidu.ku6.com/watch/03133952877099830462.html?page=videoMultiNeed
正午存在阴影才困难
Youtube
https://www.youtube.com/watch?v=kUe6ef9IIsU 光线变化很快，镜头有固定的赃物
https://www.youtube.com/watch?v=K7NfYxxFkUg 三条车道，比较常见
https://www.youtube.com/watch?v=mEqVeIdcstA 阳光下有较重的阴影

floodfill 可以实现PhotoShop魔棒功能 属于连通区域分析（Connected Component Analysis-Labeling）的一种

通过自带tutorial查找floodfill定位到使用floodfill的工程
代码库地址 https://github.com/Itseez/opencv/blob/master/samples/cpp/tutorial_code/Histograms_Matching/calcBackProject_Demo2.cpp

修改后运行测试

ppt中少些字，好好准备答辩稿，复习公开课中学到的如何做工作汇报，把自己的成果展现出来，不要被表现力短板限制了！

补充

文献综述

概述

车载的驾驶辅助系统一般有两类，一类是驾驶员疲劳检测系统，另一类是环境感知事故预警系统。前者能够通过保证驾驶员注意力间接预防事故，而不能主动地对道路环境变化进行预警。而后者则能够积极探测环境变化，并在危险情形下对驾驶员发出警告，如果连接了控制系统还可以主动地进行对应的事故避免响应如紧急刹车。在驾驶辅助系统发展向无人驾驶系统发展过程中，前者会逐渐被淘汰，而后者始终是研究重点。

车辆环境感知可以采用多种传感器，由于驾驶员获得的道路信息80%以上都来自于视觉，基于摄像头的视觉感知成为了研究热点。尽管双摄像头可以提供立体信息，更接近人类视觉特征，车辆视觉感知系统相关的多数研究仍是基于单一摄像头的。单个摄像头意味着更少的成本，解决了多数研究由于设备的昂贵难以量产的尴尬，为相关智能设备的商业化提供了可能。驾驶辅助系统的领头企业——Mobileye历时10余载研发的C2-270驾驶辅助设备就是使用单摄像头的典型案例。

基于图像的智能车辆环境感知系统的主要研究内容如下图所示：

结构化道路检测

结构化道路指的是边缘比较规则，路面平坦，有明显的车道线及其它人工标记的行车道路，如高速公路、城市干道等。结构化道路的检测步骤大致如下：

1. 车道线检测
2. 车道线特征提取
3. 道路建模

结构化道路检测主要用于车道偏离预警系统，同时也是自动驾驶中不可或缺的一步。第一步需要明确图像中的点是否属于车道线，得到一个二值的特征图；第二步通过特征图匹配直线或曲线等形状，并提取出建模所需的特征值；第三步根据所得的特征值建立道路模型，从而得到车道线的空间坐标位置和曲率半径等信息。

车道线检测技术主要分为车道线分离和跟踪两部分。由于摄像头采集的相邻帧图像间的车道线在空间上具有连续性，因此往往仅在初始时和丢失车道线的情形下进行重新检测标定，其他情况只是根据以前图像的车道线位置进行跟踪。

车道线分离的一般步骤如下：

1. 图像预处理
2. 感兴趣区域划分
3. 筛选车道线
4. 后处理

当然也有其他办法，如文献提出了一种基于色彩空间的车道线提取办法。

天气因素（阴晴雨雪）、行驶路段因素（隧道桥洞）、时间因素（早中晚）、传感器因素（摄像头积灰或输出有噪点）等造成了图像的多变性，图像预处理的工作就是过滤各种因素带来的差异，如中值滤波可以有效地消除椒盐噪声、直方图均衡化可以在夜晚图像整体偏暗时增强图像的对比度等等。

对于只需要对局部图像进行处理的情形，划分感兴趣区域（ROI）是是十分必要的。由于车道线集中在图像的下半部分，因此我们对图像上半部分不感兴趣，通过减少算法处理的范围可以大大提高算法的效率。

筛选车道线通过车道线的各种特征的差异进行划分。如边缘特征图、DLD特征图、阈值特征图，最后对各个特征图进行图像与运算，得到满足所有条件的最终的特征图。其中，图像轮廓特征包含了很多图像信息，因此边缘提取是研究的热点，相关的方法有很多，如。。。。文献提出了一种新的适用于车道线检测的边缘提取算法。

发展趋势
尽管人眼是通过双眼获取立体信息，但双目视觉的算法复杂度较高，并不适合机器来完成。雷达可以精确地获取距离信息，可以为摄像头检测到的像素直接地附加上位置信息，方便了后续算法的处理，因此智能车辆环境感知系统中多传感器的融合是一大趋势，而前面提到的Mobileye公司的C2-270，就采用了基于雷达视觉融合的车辆探测，这对于前方车辆的距离标定提供了极大的方便，并使得前车防撞预警更加的准确。

后处理
为了在得到较全的车道线和过滤更多的其他物体之间权衡，筛选得到的特征图可能还是不理想，因此有时需要后处理，如连通性检测，封闭性检测等，从而过滤得到更清晰的特征图。

2015-08-01 完成 总结整理各类方法，撰写matlab程序

基于阈值分割的方法
全局阈值：无法使用，即使在最优阈值下，检测结果也不理想，因为车道标记像素往往只在图像中占一小部分，并不是明显的前景，获取全局最优阈值各种方法（Otsu最大化类间方差，最小平均分割误差，迭代法，最大熵法）都不适合进行车道标记的阈值分割，而先增强对比度（均衡化）再取固定阈值相对较好，但也仅仅适合全局光照均匀的情况。
局部阈值：
大小可变（处理透视效应）的滤波后（可以过滤掉车道标记），取原图像和滤波图像的差值就可以得到较好的车道标记特征。
LT 采用均值滤波，以遍历更新每个点的角度来看就相当于每个点减去周围点的均值。
采用中值滤波则称为MLT
如果中值滤波中不取最中间的，而取中偏上，则为PLT 法语看不懂。。。
考虑对称性，SLT效果最好

Product：

• mobileye
• delphi
• FPGA logiLMD Lane Marking Detector

可以查看车道标记（基于跟踪）

基于IPM的效果很好，可惜相关说明看不懂（好像是德语）
视频 https://www.youtube.com/watch?v=SFqAAseL_1g

Lane detection 基本找不到项目，用Road detection language:C++ 在github上有9个，而bitbucket、codeproject、codeplex、sourceforge都没有找到合适的
国内codeforge有车道检测的matlab源码，不过价值不高

计算机视觉研究论坛 http://www.sigvc.org/bbs/forum.php
VALSE 群视频学习

联系获取许可证、相关资料整理

需求：
支持环境感知传感器的安装，读取传感器的数据输出到处理程序，提供接口根据处理程序得出的指令操作车辆的运动。

A Method to Implementation of Lane Detection Under Android System Based on OpenCV

开源项目https://github.com/jmedveckyh/Hough

要求1：根据图像输出车道位置
要求2：根据提取出的车道曲线得出当前路段的几何参数信息，构建虚拟场景

利用笔记本摄像头，在笔记本上搭建好环境，完成视频采集。
后续需要移植到手机平台，手机摄像头；嵌入式平台，USB摄像头。

http://www.codeproject.com/Articles/10248/Motion-Detection-Algorithms
codeproject 上有很多 运动检测、 障碍检测 的讲解