基于圖像的駕駛主動(dòng)安全前防撞的方法研究與實(shí)現(xiàn).pdf

1、車(chē)輛前防撞是駕駛主動(dòng)安全領(lǐng)域中一個(gè)重要的研究方向，其核心問(wèn)題是前方車(chē)輛的檢測(cè)、確認(rèn)和跟蹤。而前方車(chē)輛的檢測(cè)、確認(rèn)和跟蹤問(wèn)題主要是針對(duì)前方車(chē)輛的車(chē)尾進(jìn)行處理操作，本文主要對(duì)車(chē)尾的檢測(cè)、確認(rèn)和跟蹤問(wèn)題進(jìn)行研究，主要內(nèi)容如下:
　　(1)提出了一種基于車(chē)底陰影的車(chē)尾粗定位方法。本文使用改進(jìn)的高斯混合模型聚類算法對(duì)交通圖像中的目標(biāo)即路面、車(chē)道線、車(chē)輛、車(chē)底陰影進(jìn)行聚類，利用高斯陰影模型的均值與方差自適應(yīng)閾值分割圖像，從而提取路面與車(chē)底陰影

2、的交線，最后利用車(chē)尾的長(zhǎng)寬比和陰影線信息獲取車(chē)尾位置。該方法不僅能有效的對(duì)車(chē)尾進(jìn)行粗定位，且能夠適應(yīng)白天不同時(shí)段光強(qiáng)的變化。
　　(2)研究了Haar-like和HOG兩種不同的車(chē)尾特征提取方式，提出了一種改進(jìn)的基于Haar-like和Adaboost的車(chē)尾驗(yàn)證方法，有效排除車(chē)尾粗定位階段產(chǎn)生的虛警。本文使用Adaboost和SVM分類器分析比較了兩種特征提取方法的差異和車(chē)輛識(shí)別效果。為了更好的突出車(chē)尾水平和垂直邊緣特征，降低圖像

3、光照不均帶來(lái)的影響，增加分類器的識(shí)別能力和魯棒性，本文使用梯度圖像提取Haar-like特征和Adaboost分類器自增量訓(xùn)練方法。
　　(3)研究了Kalman濾波和粒子濾波兩種車(chē)尾跟蹤方法，對(duì)上一階段得到的車(chē)尾進(jìn)行跟蹤。本文首先介紹了這兩種車(chē)尾跟蹤方法的實(shí)現(xiàn)原理和其在實(shí)現(xiàn)過(guò)程中的優(yōu)缺點(diǎn)，然后在車(chē)載攝像機(jī)采集的視頻上測(cè)試了兩種方法的車(chē)尾跟蹤能力并分析其跟蹤結(jié)果?；诹Ｗ訛V波的車(chē)尾跟蹤結(jié)果優(yōu)于Kalman濾波方法，但隨著粒子數(shù)目的