基于計算機視覺和相關(guān)向量機的車輛檢測方法研究.pdf

1、車輛檢測技術(shù)是智能交通系統(tǒng)(Intelligent Transportation Systems，ITS)的重要組成部分，同時也是核心技術(shù)之一。而基于計算機視覺的車輛檢測技術(shù)在車輛檢測應(yīng)用中日益顯現(xiàn)出其重要性，與此同時，車輛的分類檢測對推動ITS的迅猛發(fā)展起著不可忽視的作用。本文主要研究以下三方面內(nèi)容:
　　提出一種結(jié)合廣義交叉確認(Generalized Cross Validation，GCV)原理的非降采樣Contourle

2、t變換(Nonsubsampled Contourlet Transform，NSCT)域車輛視頻圖像非線性去噪增強預(yù)處理算法。該算法首先對輸入的含噪圖像進行NSCT變換，然后對NSCT域中各層各方向高頻系數(shù)分別運用GCV原理估計出最優(yōu)去噪閾值，再以此閾值在NSCT域中的相應(yīng)層相應(yīng)方向高頻系數(shù)進行軟閾值收縮處理，最后通過非線性函數(shù)對去噪后的各高頻系數(shù)進行增強處理，從而達到增強圖像邊緣的目的。實驗結(jié)果表明，該算法能在噪聲方差未知的情況下有

3、效地去除噪聲，并增強圖像的邊緣，從視覺效果和客觀評價指標上均達到了預(yù)期效果。所提出的算法綜合性能優(yōu)于基于小波變換(Wavelet Transform，WT)和Contourlet變換(Contourlet Transform，CT)的方法。
　　提出結(jié)合逆透視映射變換(Inverse Perspective Mapping，IPM)和Hough變換的車道線檢測方法。該算法首先初始化攝像機的內(nèi)部參數(shù)（即攝像機固有參數(shù)，如視角、分辨率

4、等）和外部參數(shù)（即攝像機的安置姿態(tài)，如光軸俯仰角、偏擺角、距離路面高度等），然后將所獲得的實際路面圖像通過逆透視映射變換將原本收攏于一點的輻射狀車道線變換成相互平行的車道線，以判斷較遠處的道路狀況，提高行車安全，再用Hough變換檢測其中的車道線位置，最后將其標記出來，以便提供車輛所在的位置參考值以及車速、車道擁擠度等信息。另外，車輛目標區(qū)域提取采用背景差分法，背景提取采用基于時間暫存中值濾波(TimeTemporal Median F

5、ilter, TTMF)法，將視頻序列當前幀的前若干奇數(shù)幀圖像的對應(yīng)位置像素點做時間域的中值濾波，從而有效地提取背景;陰影檢測消除采用基于計算機視覺的陰影檢測消除方法，將含有陰影的目標圖像轉(zhuǎn)換到HSV顏色空間，根據(jù)陰影的視覺特性將其檢測出來并消除掉。實驗結(jié)果表明，所提車道線檢測算法檢測準確度高，特別是在遠端車道線檢測方面表現(xiàn)優(yōu)異，而且該算法易實現(xiàn)，另外TTMF法背景建模速度快，實際效果良好，因而車輛目標區(qū)域檢測完好?？偞擞^之，所提算法綜

6、合效果理想。
　　提出基于相關(guān)向量機(Relevance Vector Machine，RVM)的多特征車輛分類檢測算法。該算法首先對經(jīng)前述得到的車輛目標二值圖像進行形態(tài)學(xué)運算以更加完整地接近目標實際形狀，再求取目標的最大連通域作為后續(xù)分析的車輛目標區(qū)域，然后對目標區(qū)域及其對應(yīng)區(qū)域的灰度圖像提取諸如區(qū)域描述子、不變矩、離散余弦變換描述子、分形維數(shù)和紋理等多個分類特征數(shù)據(jù)，并對特征數(shù)據(jù)歸一化，接著將數(shù)據(jù)樣本集劃分為訓(xùn)練樣本和測試樣本