基于視頻的快速車輛檢測與定位算法研究.pdf

1、隨著經濟的發(fā)展，人們的生活發(fā)生了極大的變化。為了節(jié)省時間成本，很多人選擇了駕車出行。因此，造成了交通擁擠，堵塞嚴重的現象。為解決這個問題，很多研究者展開了對智能輔助駕駛系統的研究。其中，物體識別技術的發(fā)展為智能輔助駕駛系統的車輛識別問題貢獻了極大的力量，為駕駛員或者智能車輛系統提供準確實時的路況信息，達到預警、避讓、制動等目的。這對駕駛員安全行車，增加車輛安全系數，減少交通事故的發(fā)生有極大的幫助。目前，如何快速進行車輛檢測與定位成了當下

2、研究的熱點。
　　本文從實際出發(fā)，針對現有的車輛檢測與定位方法難以實現實時以及速度慢的問題提出快速的車輛檢測與定位方法。該方法以車載相機實際拍攝的車輛為實驗對象，判斷視頻中是否存在車輛，并獲取車輛的大小位置等信息并框出檢測的車輛，然后對檢測出來的車輛進行準確的定位。本文的實驗環(huán)境是Visual studio2010結合Opencv2.4.9。本文設計并實現了一個快速車輛檢測與定位系統。
　　本文的主要工作內容如下:
　

3、?。?）選擇合適的鏡頭錄制行駛的前方車輛樣本視頻，并從中選取實驗的正負樣本圖片進而對圖片進行預處理，其中正樣本是包含車輛的圖片，負樣本為不包含車輛的圖片。
　　（2）對實驗樣本提取各種特征，并對各種特征進行詳細介紹，然后進一步分析計算各種特征所需時間以及特征維數，最后使用Linear-SVM分類器驗證各種特征，選取了表征車輛的最優(yōu)特征：ICF特征。訓練階段使用了一種遞歸訓練的方法，通過不斷的訓練分類器，讓每次訓練得到的特征進行一個

4、整合，再在整合的特征中選擇出現次數最多的若干個特征作為最終的ICF分類器訓練的特征。這樣可以選出能夠區(qū)分出正負樣本的好的特征從而訓練出分類性能更好的分類器。
　　（3）由于現有的算法檢測準確率低誤撿率高，本文通過實驗對比選擇遞歸的ICF算法作為本實驗的核心學習算法。并在車輛分類器的訓練過程中使用添加樣本難例的方法。采用原始的分類器進行檢測，把檢測錯誤的樣本作為負樣本來擴充負樣本庫和未檢測到的樣本作為正樣本來擴充正樣本庫，有效的增加

5、了樣本庫的多樣性，訓練出效果更好的分類器，提高了分類器的分類精度。
　?。?）為提高檢測速度，訓練多個尺度的分類器進行檢測。不斷放大檢測框，采用最接近檢測框尺寸的分類器進行檢測，這樣可以減少由于檢測框放大造成特征的嚴重丟失，從而提高檢測效果。使用遞歸的ICF分類器進行目標檢測使檢測過程更具有針對性，同時減少了分類算法掃描時間，實現前方車輛快速檢測。最后，對檢測出來的車輛檢測掃描框進行準確定位，為智能輔助駕駛系統提供了準確測距的基礎