智能车辆中基于视频的车辆检测算法研究

论文摘要

随着经济的发展和汽车拥有量的增加，我国的交通安全问题日益严重，给人们的财产和生命安全造成重大损失。利用智能车辆中先进技术提高道路交通的安全性已经成为未来交通运输的发展方向。本文主要研究智能车辆中基于视频的车辆检测技术。利用车载摄像头拍摄车辆前方路况视频，分析视频图像数据，获得环境感知信息，为驾驶员提供辅助。通过阅读国内外相关文献以及对相关算法进行比较分析后，本文提出了相应的改进算法。本文主要研究内容如下：（1）利用自适应阴影检测和Sobel边缘投影生成车辆假设。首先，从视频帧图像的中下部划分一个区域，对该区域进行统计分析得到车辆阴影阈值上限，然后使用阈值法分割图像得到车辆阴影位置，最后结合Sobel边缘投影提取车辆假设。该方法能够较好地提取出车辆感兴趣区域，减少不包含车辆的车辆假设的数量。（2）提出了一种结合SVM和Gabor参数优化的白天车辆检测算法。文中利用分类精度、惩罚因子以及支持向量个数构造适应度函数，运用小生境遗传算法同时优化SVM和Gabor参数，得到最佳学习模型以及最优Gabor滤波器。通过该滤波器提取车辆候选区域的Gabor特征作为SVM的输入，验证其是否为车辆。该方法可有效降低特征向量的维数，提高检测系统的精度。（3）提出了轮廓四邻域偏红度方法。提取车辆尾灯是进行夜间车辆检测的常用方法。然而通过阈值法分割道路图像提取到的明亮块中包含路灯、噪声等非尾灯目标。我们提取每个明亮块的轮廓，计算轮廓点以及轮廓点四邻域的像素偏红度得到轮廓的四邻域偏红度水平，然后对其设置一个适当的阈值，有效地消除了非尾灯目标。（4）利用D-S证据理论融合特征信息进行夜间车辆检测。通过尾灯聚类算法组合车灯对，生成车辆假设，提取车灯对的面积比、图像互相关值以及车灯对组合框的长宽比等三个结构化特征构建基本信任分配函数，运用D-S证据理论融合这三个特征得到总的信任度值，最后通过对总的信任度值设立阈值验证车辆假设。实验表明，该方法减少了主观阈值的数量，可有效降低经验不足导致阈值确定不当的风险，提高了夜间车辆检测系统的辨别率。

论文目录

• 摘要
• Abstract
• 插图索引
• 附表索引
• 第1章 绪论
• 1.1 研究背景及意义
• 1.2 国外研究现状
• 1.3 国内研究现状
• 1.4 车辆检测算法综述
• 1.4.1 车辆候选区域产生
• 1.4.2 车辆候选区域验证
• 1.5 本文的主要工作
• 1.6 本文的结构
• 第2章 预备知识
• 2.1 颜色空间
• 2.1.1 RGB 颜色空间
• 2.1.2 YCrCb 颜色空间
• 2.2 特征提取
• 2.2.1 主成分分析
• 2.2.2 Gabor 变换
• 2.3 支持向量机
• 2.3.1 线性可分
• 2.3.2 线性不可分
• 2.3.3 核函数
• 2.3.4 模型选择
• 2.4 D-S 证据理论
• 2.4.1 识别框架
• 2.4.2 基本信任分配函数
• 2.4.3 信任函数
• 2.4.4 证据组合规则
• 2.5 本章小结
• 第3章 结合 SVM 和 Gabor 参数优化的白天车辆检测
• 3.1 车辆候选区域产生
• 3.1.1 自适应阴影检测
• 3.1.2 边缘检测
• 3.1.3 ROI 提取
• 3.2 候选区域特征提取
• 3.2.1 PCA 特征
• 3.2.2 Gabor 小波特征
• 3.3 车辆候选区域验证
• 3.3.1 SVM 模型选择
• 3.3.2 基于小生境遗传算法的 SVM 和 Gabor 参数优化
• 3.3.3 车辆假设验证
• 3.4 本章小结
• 第4章 基于 D-S 证据理论的夜间车辆检测
• 4.1 夜间车辆候选区域产生
• 4.1.1 明亮块分割
• 4.1.2 形态学处理
• 4.1.3 轮廓四邻域偏红度水平
• 4.2 尾灯聚类算法
• 4.3 基于 D-S 证据理论的车辆验证
• 4.3.1 信任度函数的获取
• 4.3.2 车辆假设验证
• 4.4 本章小结
• 第5章 实验原型系统及结果分析
• 5.1 系统软硬件环境
• 5.2 开发环境及工具包
• 5.3 白天车辆检测实验设计及结果分析
• 5.3.1 实验原型系统
• 5.3.2 实验场景
• 5.3.3 实验结果及其分析
• 5.4 夜间车辆检测实验设计及结果分析
• 5.4.1 实验原型系统
• 5.4.2 实验结果及其分析
• 5.5 本章小结
• 结论
• 参考文献
• 致谢
• 附录 A 攻读学位期间所发表的学术论文目录