復(fù)雜環(huán)境下運(yùn)動(dòng)車(chē)輛識(shí)別與測(cè)距方法研究.pdf

1、前方車(chē)距測(cè)量作為智能交通系統(tǒng)（Intelligent Transportation S yst em,ITS）的關(guān)鍵技術(shù)之一，對(duì)ITS的深入研究具有重要的理論意義和應(yīng)用價(jià)值。基于立體視覺(jué)的車(chē)距測(cè)量技術(shù)由于其非接觸性，準(zhǔn)確度高等優(yōu)點(diǎn)而日益成為車(chē)距測(cè)量的主要技術(shù)手段。目前的動(dòng)態(tài)車(chē)距測(cè)量技術(shù)易受環(huán)境等外部條件的影響，尤其當(dāng)車(chē)輛處于復(fù)雜多變的交通場(chǎng)景或者惡劣天氣環(huán)境中時(shí)難以獲得令人滿意的識(shí)別率和魯棒性。針對(duì)以上問(wèn)題，本文借鑒人類的記憶機(jī)制建立了

2、選擇性視覺(jué)注意模型對(duì)動(dòng)態(tài)車(chē)輛目標(biāo)進(jìn)行識(shí)別，并探討建立基于雙向改進(jìn)蝙蝠算法的車(chē)距測(cè)量系統(tǒng)對(duì)前方車(chē)輛進(jìn)行精確距離測(cè)量。論文的具體工作如下:
　　(1)借鑒人類記憶機(jī)制建立了車(chē)輛目標(biāo)顯著圖的識(shí)別模型(Memory-based Vehicle Recognition Model，MVRM)。該模型基于鷹眼的視覺(jué)注意模型并進(jìn)行了兩個(gè)方面的改進(jìn)，從而實(shí)現(xiàn)對(duì)動(dòng)態(tài)車(chē)輛目標(biāo)的精確識(shí)別。一方面引入稀有運(yùn)動(dòng)特征作為衡量視覺(jué)顯著性的一個(gè)重要因素，提高了視

3、覺(jué)注意機(jī)制檢測(cè)目標(biāo)的準(zhǔn)確度;另一方面，根據(jù)人類記憶機(jī)制進(jìn)行視覺(jué)信息處理時(shí)的認(rèn)知過(guò)程，建立了車(chē)輛目標(biāo)顯著區(qū)域的識(shí)別模型。該模型分別創(chuàng)建了瞬時(shí)記憶空間和長(zhǎng)時(shí)記憶空間用來(lái)指導(dǎo)車(chē)輛目標(biāo)的識(shí)別過(guò)程，提高了車(chē)輛目標(biāo)識(shí)別模型的準(zhǔn)確度和魯棒性。
　　(2)針對(duì)傳統(tǒng)的局部匹配算法存在運(yùn)算精度不足的問(wèn)題，提出了基于雙向改進(jìn)蝙蝠算法的自適應(yīng)權(quán)重立體匹配算法。該算法首先對(duì)經(jīng)過(guò)預(yù)處理過(guò)的圖像利用自適應(yīng)權(quán)重的立體匹配算法得到初始匹配結(jié)果，利用初始匹配結(jié)果得到

4、初始視差并給車(chē)輛提供及時(shí)的避障信息;然后以初始匹配結(jié)果為初始值對(duì)圖像進(jìn)行基于雙向改進(jìn)蝙蝠算法的匹配點(diǎn)優(yōu)化，生成更加精確的視差圖。結(jié)合提取到的運(yùn)動(dòng)車(chē)輛目標(biāo)信息，得到與動(dòng)態(tài)車(chē)輛目標(biāo)的精確車(chē)距信息。
　　仿真實(shí)驗(yàn)結(jié)果表明，結(jié)合人類記憶機(jī)制的MVRM模型的動(dòng)態(tài)車(chē)輛識(shí)別率達(dá)到了77.10％,誤識(shí)別率只有4.5％,且在各種天氣環(huán)境、復(fù)雜道路交通環(huán)境下均有較好識(shí)別效果，抗噪性能良好。同時(shí)，采用雙向改進(jìn)蝙蝠算法的前方車(chē)輛測(cè)距算法與實(shí)際測(cè)量車(chē)距的最