智能車輛中基于視頻的車輛檢測(cè)算法研究.pdf

1、隨著經(jīng)濟(jì)的發(fā)展和汽車擁有量的增加，我國(guó)的交通安全問題日益嚴(yán)重，給人們的財(cái)產(chǎn)和生命安全造成重大損失。利用智能車輛中先進(jìn)技術(shù)提高道路交通的安全性已經(jīng)成為未來交通運(yùn)輸?shù)陌l(fā)展方向。本文主要研究智能車輛中基于視頻的車輛檢測(cè)技術(shù)。利用車載攝像頭拍攝車輛前方路況視頻，分析視頻圖像數(shù)據(jù)，獲得環(huán)境感知信息，為駕駛員提供輔助。通過閱讀國(guó)內(nèi)外相關(guān)文獻(xiàn)以及對(duì)相關(guān)算法進(jìn)行比較分析后，本文提出了相應(yīng)的改進(jìn)算法。本文主要研究?jī)?nèi)容如下：
　　 (1)利用自適應(yīng)

2、陰影檢測(cè)和Sobel邊緣投影生成車輛假設(shè)。首先，從視頻幀圖像的中下部劃分一個(gè)區(qū)域，對(duì)該區(qū)域進(jìn)行統(tǒng)計(jì)分析得到車輛陰影閾值上限，然后使用閾值法分割圖像得到車輛陰影位置，最后結(jié)合Sobel邊緣投影提取車輛假設(shè)。該方法能夠較好地提取出車輛感興趣區(qū)域，減少不包含車輛的車輛假設(shè)的數(shù)量。
　　 (2)提出了一種結(jié)合SVM和Gabor參數(shù)優(yōu)化的白天車輛檢測(cè)算法。文中利用分類精度、懲罰因子以及支持向量個(gè)數(shù)構(gòu)造適應(yīng)度函數(shù)，運(yùn)用小生境遺傳算法同時(shí)優(yōu)化

3、SVM和Gabor參數(shù)，得到最佳學(xué)習(xí)模型以及最優(yōu)Gabor濾波器。通過該濾波器提取車輛候選區(qū)域的Gabor特征作為SVM的輸入，驗(yàn)證其是否為車輛。該方法可有效降低特征向量的維數(shù)，提高檢測(cè)系統(tǒng)的精度。
　　 (3)提出了輪廓四鄰域偏紅度方法。提取車輛尾燈是進(jìn)行夜間車輛檢測(cè)的常用方法。然而通過閾值法分割道路圖像提取到的明亮塊中包含路燈、噪聲等非尾燈目標(biāo)。我們提取每個(gè)明亮塊的輪廓，計(jì)算輪廓點(diǎn)以及輪廓點(diǎn)四鄰域的像素偏紅度得到輪廓的四鄰域

4、偏紅度水平，然后對(duì)其設(shè)置一個(gè)適當(dāng)?shù)拈撝?，有效地消除了非尾燈目?biāo)。
　　 (4)利用D-S證據(jù)理論融合特征信息進(jìn)行夜間車輛檢測(cè)。通過尾燈聚類算法組合車燈對(duì)，生成車輛假設(shè)，提取車燈對(duì)的面積比、圖像互相關(guān)值以及車燈對(duì)組合框的長(zhǎng)寬比等三個(gè)結(jié)構(gòu)化特征構(gòu)建基本信任分配函數(shù)，運(yùn)用D-S證據(jù)理論融合這三個(gè)特征得到總的信任度值，最后通過對(duì)總的信任度值設(shè)立閾值驗(yàn)證車輛假設(shè)。實(shí)驗(yàn)表明，該方法減少了主觀閾值的數(shù)量，可有效降低經(jīng)驗(yàn)不足導(dǎo)致閾值確定不當(dāng)?shù)娘L(fēng)