基于計(jì)算機(jī)視覺和相關(guān)向量機(jī)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(shí)也是核心技術(shù)之一。而基于計(jì)算機(jī)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(shí)，車輛的分類檢測對(duì)推動(dòng)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(rèn)(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(qiáng)預(yù)處理算法。該算法首先對(duì)輸入的含噪圖像進(jìn)行NSCT變換，然后對(duì)NSCT域中各層各方向高頻系數(shù)分別運(yùn)用GCV原理估計(jì)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(jìn)行軟閾值收縮處理，最后通過非線性函數(shù)對(duì)去噪后的各高頻系數(shù)進(jìn)行增強(qiáng)處理，從而達(dá)到增強(qiáng)圖像邊緣的目的。實(shí)驗(yàn)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(qiáng)圖像的邊緣，從視覺效果和客觀評(píng)價(jià)指標(biāo)上均達(dá)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(jī)的內(nèi)部參數(shù)（即攝像機(jī)固有參數(shù)，如視角、分辨率

4、等）和外部參數(shù)（即攝像機(jī)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(shí)際路面圖像通過逆透視映射變換將原本收攏于一點(diǎn)的輻射狀車道線變換成相互平行的車道線，以判斷較遠(yuǎn)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(biāo)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(biāo)區(qū)域提取采用背景差分法，背景提取采用基于時(shí)間暫存中值濾波(TimeTemporal Median F

5、ilter, TTMF)法，將視頻序列當(dāng)前幀的前若干奇數(shù)幀圖像的對(duì)應(yīng)位置像素點(diǎn)做時(shí)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(jì)算機(jī)視覺的陰影檢測消除方法，將含有陰影的目標(biāo)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(shí)驗(yàn)結(jié)果表明，所提車道線檢測算法檢測準(zhǔn)確度高，特別是在遠(yuǎn)端車道線檢測方面表現(xiàn)優(yōu)異，而且該算法易實(shí)現(xiàn)，另外TTMF法背景建模速度快，實(shí)際效果良好，因而車輛目標(biāo)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(jī)(Relevance Vector Machine，RVM)的多特征車輛分類檢測算法。該算法首先對(duì)經(jīng)前述得到的車輛目標(biāo)二值圖像進(jìn)行形態(tài)學(xué)運(yùn)算以更加完整地接近目標(biāo)實(shí)際形狀，再求取目標(biāo)的最大連通域作為后續(xù)分析的車輛目標(biāo)區(qū)域，然后對(duì)目標(biāo)區(qū)域及其對(duì)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(gè)分類特征數(shù)據(jù)，并對(duì)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