基于連續(xù)視頻幀的多特征融合道路車輛檢測方法研究.pdf

1、道路車輛檢測與車道檢測、行人檢測和障礙物檢測一起是構(gòu)成駕駛員輔助系統(tǒng)中碰撞避免預(yù)警系統(tǒng)中的重要組成部分?；谟嬎銠C視覺的道路車輛檢測系統(tǒng)在達(dá)到實時性的同時也面臨著魯棒性和精確性的挑戰(zhàn)?；诮y(tǒng)計學(xué)習(xí)的方法是目前道路車輛檢測中最熱門的方法。針對使用基于Haar-like特征和Adaboost算法訓(xùn)練的級聯(lián)分類器在進(jìn)行道路車輛檢測時檢測速度較慢和檢測率相對較低等問題，對傳統(tǒng)的級聯(lián)分類器進(jìn)行了改進(jìn)，主要工作如下:
　　 1、提出了一種特

2、征融合的方法。將二進(jìn)制穩(wěn)健獨立基元特征(BRIEF)與Haar-like特征融合以增強特征表現(xiàn)力和加快檢測速度。針對Haar-like特征和BRIEF特征分別設(shè)計了不同形式的弱分類器來共同構(gòu)建強分類器。
　　 2、改進(jìn)了Haar-like特征和BRIEF特征。針對車輛車底陰影區(qū)域增加了一種新的Haar-like矩形特征原型以適合陰影特征的描述，刪除了4種在車輛檢測中較少使用到的傳統(tǒng)Haar-like矩形特征原型。針對BRIEF特

3、征對噪聲敏感的缺點，用小塊區(qū)域內(nèi)像素亮度值之和比較來取代單個像素點亮度比較，有效的減少了單點噪音的影響，并引入積分圖像法以加快小區(qū)域內(nèi)像素和的計算;針對BRIEF特征不具有尺度不變性的問題，引入了尺度空間理論解決了BRIEF特征點在不同尺度下的匹配。
　　 3、使用了一種基于卡爾曼濾波器的車輛跟蹤算法來加快車輛檢測的速度。將車輛的尺度和位置作為卡爾曼濾波器的向量，預(yù)測出下一幀車輛的尺度和位置，把原車輛和預(yù)測的車輛位置都認(rèn)定為含有