無(wú)人車視覺導(dǎo)航中的前方車輛檢測(cè)方法研究.pdf

1、近年來(lái)，基于機(jī)器視覺的無(wú)人駕駛車輛系統(tǒng)已成為當(dāng)前學(xué)術(shù)界研究的重要內(nèi)容，其中視覺導(dǎo)航技術(shù)備受關(guān)注。本文研究的主要內(nèi)容是基于無(wú)人車視覺導(dǎo)航中的前方車輛檢測(cè)方法，在現(xiàn)有的基礎(chǔ)上做了進(jìn)一步的研究。
　　本研究主要內(nèi)容包括：⑴設(shè)計(jì)了一種基于顏色屬性的通用目標(biāo)檢測(cè)方法。通用目標(biāo)檢測(cè)就是提取出圖像中有可能包含目標(biāo)的區(qū)域并以外接矩形的形式予以輸出。本文首先比較了傳統(tǒng)滑動(dòng)窗口法和通用目標(biāo)檢測(cè)法提供的候選目標(biāo)檢測(cè)窗口的優(yōu)缺點(diǎn)，接著通過(guò)顏色屬性轉(zhuǎn)換將傳

2、統(tǒng)的彩色圖像轉(zhuǎn)化為十一色圖，然后利用區(qū)域劃分算法將圖像劃分為不同的區(qū)域，最后將不同區(qū)域間顏色、紋理相似度作為評(píng)價(jià)指標(biāo)，利用區(qū)域合并策略將不同區(qū)域合并，將合并后的結(jié)果作為通用目標(biāo)的候選窗口。實(shí)驗(yàn)結(jié)果表明，本文算法可以在保持較高的目標(biāo)檢測(cè)率的情況下用較少的候選框來(lái)描述目標(biāo)的候選區(qū)域，具有較好的通用性。⑵研究了基于AdaBoost算法的前方車輛檢測(cè)方法，設(shè)計(jì)了一種改進(jìn)的基于通用目標(biāo)檢測(cè)和AdaBoost算法的前方車輛檢測(cè)方法。該方法首先將通用

3、目標(biāo)檢測(cè)的結(jié)果作為車輛檢測(cè)的候選窗口，接著提取車輛的Haar特征并利用AdaBoost算法來(lái)訓(xùn)練強(qiáng)分類器，然后生成級(jí)聯(lián)分類器作為車輛分類器對(duì)候選窗口進(jìn)行過(guò)濾，最后利用窗口合并策略對(duì)檢測(cè)結(jié)果進(jìn)行再處理，進(jìn)而得到車輛檢測(cè)結(jié)果。實(shí)驗(yàn)結(jié)果表明該改進(jìn)方法相比基于滑動(dòng)窗口的AdaBoost檢測(cè)方法在不影響檢測(cè)性能的基礎(chǔ)上，平均耗時(shí)更低。而且在分辨率要求不高的情況下，基本可以滿足實(shí)時(shí)性要求。但當(dāng)車輛出現(xiàn)少許遮擋時(shí)，容易出現(xiàn)誤判和漏檢現(xiàn)象。⑶設(shè)計(jì)了一種

4、新的基于HOG-PCA和DPM算法的前方車輛檢測(cè)方法。鑒于基于特征的機(jī)器學(xué)習(xí)方法面對(duì)遮擋問(wèn)題性能下降這一現(xiàn)象，本文接著研究了一種基于部件的DPM算法。本文首先提取車輛的HOG特征作為車輛特征，接著利用PCA算法對(duì)HOG特征降維，并構(gòu)建HOG特征金字塔，然后利用Latent-SVM來(lái)訓(xùn)練不同姿態(tài)下車輛單一DPM模型，最后將單一模型組合成混合DPM模型作為最終的車輛檢測(cè)模型。實(shí)驗(yàn)結(jié)果表明，當(dāng)前方車輛出現(xiàn)部分遮擋現(xiàn)象時(shí)，基于HOG-PCA和D