智能車輛視覺魯棒檢測(cè)與識(shí)別方法研究.pdf

1、智能車輛視覺魯棒檢測(cè)與識(shí)別方法的研究對(duì)于降低日益增長(zhǎng)的交通事故發(fā)生率，提高現(xiàn)有道路交通安全和運(yùn)輸效率，緩解駕駛員疲勞程度等問題具有重要意義，得到國(guó)內(nèi)外學(xué)者們的廣泛關(guān)注，本文針對(duì)智能車輛的環(huán)境感知關(guān)鍵技術(shù)，對(duì)基于機(jī)器視覺的目標(biāo)魯棒檢測(cè)與識(shí)別問題進(jìn)行深入研究，具體研究?jī)?nèi)容和創(chuàng)新點(diǎn)歸納如下:
　　(1)提出一種幀間等角度圓周運(yùn)動(dòng)約束下的相機(jī)分層自標(biāo)定方法。利用幀間等角度圓周運(yùn)動(dòng)約束推導(dǎo)了關(guān)于三視圖之間無窮遠(yuǎn)平面坐標(biāo)的約束條件，相比模約束

2、條件，能有效減少可能解的數(shù)量。此外，針對(duì)序列圖像，提出分層迭代粒子群算法(SIPSO)對(duì)無窮遠(yuǎn)平面坐標(biāo)進(jìn)行優(yōu)化求解。相比傳統(tǒng)方法在度量重構(gòu)時(shí)利用序列圖像信息提高解的精確度，本文方法在仿射重構(gòu)這一步就能充分挖掘序列圖像信息。實(shí)驗(yàn)證明，算法對(duì)噪聲干擾具有一定的魯棒性。
　　(2)提出一種利用城市交通場(chǎng)景中直線進(jìn)行相機(jī)在線標(biāo)定的方法。算法通過檢測(cè)三維場(chǎng)景中的曼哈頓直線，并估計(jì)曼哈頓方向的消影點(diǎn)，進(jìn)而估計(jì)相機(jī)內(nèi)參數(shù)。此外，針對(duì)準(zhǔn)曼哈頓場(chǎng)景

3、，提出相應(yīng)的直線擬合方法以提高消影點(diǎn)估計(jì)的準(zhǔn)確性。分別設(shè)計(jì)了單幀和多幀圖像測(cè)試方案，實(shí)驗(yàn)證明，雖然單幀圖像能夠滿足相機(jī)內(nèi)參數(shù)估計(jì)的要求，但利用連續(xù)多幀圖像對(duì)相機(jī)內(nèi)參數(shù)進(jìn)行最小二乘估計(jì)能提高參數(shù)估計(jì)的準(zhǔn)確性和穩(wěn)定性。
　　(3)提出一種基于局部能量聚類分割和感興趣區(qū)域語(yǔ)義驗(yàn)證的交通標(biāo)志檢測(cè)方法。提出利用多重差分高斯濾波器代替Gabor濾波器提取圖像的局部能量實(shí)現(xiàn)感興趣區(qū)域的快速分割。為進(jìn)一步驗(yàn)證感興趣區(qū)域，提出一種多核嵌入的測(cè)度學(xué)習(xí)

4、方法，通過融合感興趣區(qū)域的顏色、形狀及幾何特征實(shí)現(xiàn)感興趣區(qū)域的語(yǔ)義分類。實(shí)驗(yàn)證明，利用該算法能有效地排除假性感興趣區(qū)域，并且，算法對(duì)復(fù)雜背景、光照變化、視角變化等情況具有一定的魯棒性。
　　(4)提出一種多模態(tài)多任務(wù)學(xué)習(xí)的交通標(biāo)志識(shí)別方法。在最小二乘回歸模型中引入兩種不同的結(jié)構(gòu)化稀疏范數(shù)，其中樹結(jié)構(gòu)引導(dǎo)的稀疏范數(shù)用于對(duì)交通標(biāo)志多類別之間的相似性建模，利用樹結(jié)構(gòu)嵌入的多任務(wù)學(xué)習(xí)選擇相似類之間的共享特征，提高分類模型的泛化能力;另一結(jié)

5、構(gòu)化稀疏范數(shù)用于同時(shí)實(shí)現(xiàn)模態(tài)內(nèi)部和模態(tài)間特征選擇。此外，提出采用交替方向乘子法對(duì)模型迭代求解，并分析了解的收斂性。實(shí)驗(yàn)證明，算法得到的分類模型具有較強(qiáng)的可釋性，且算法對(duì)光照、視角變化、遮擋等情況具有較強(qiáng)的魯棒性。
　　(5)提出一種融合高、低分辨率特征的魯棒行人檢測(cè)方法。算法利用線性變換矩陣分別將高、低分辨率樣本特征融合映射至同一特征空間，并在該空間內(nèi)學(xué)習(xí)最優(yōu)檢測(cè)分類器，實(shí)現(xiàn)高分辨率和低分辨率樣本特征融合以提高行人檢測(cè)魯棒性。在最

6、優(yōu)檢測(cè)分類器優(yōu)化學(xué)習(xí)過程中，同時(shí)考慮了最小化來自不同分辨率的樣本的分布散度，同時(shí)最小化分類器的結(jié)構(gòu)化風(fēng)險(xiǎn)函數(shù)，推導(dǎo)得到關(guān)于線性變換矩陣和分類器函數(shù)的凸優(yōu)化模型，提出了相應(yīng)的模型求解方法，并證明解的全局最優(yōu)性。實(shí)驗(yàn)證明算法在近距離（高分辨率）和遠(yuǎn)距離（低分辨率）尺度目標(biāo)檢測(cè)上具有一定的魯棒性。
　　綜上所述，本文研究了相機(jī)離線、在線自標(biāo)定方法，以提高視覺檢測(cè)和識(shí)別的魯棒性能，此外，研究了交通標(biāo)志魯棒檢測(cè)和識(shí)別方法，及行人魯棒檢測(cè)方法