倒车场景下基于单目视觉的行人检测研究与实现

论文摘要

随着社会经济的不断发展,汽车作为基本的交通工具保有量不断增加,导致城市交通安全问题日益突出。行人作为交通行为的主要参与者,往往成为交通事故的直接受害者,因此如何保护行人的安全成为当今研究的热点领域。与此同时,伴随着全球科技的不断发展,基于计算机视觉技术的应用越来越来广泛。本文使用单目视觉传感器获取车辆周围环境信息,完成了倒车场景下的行人检测及预警系统设计。本文主要完成了以下四个方面的研究与实现：第一,使用图像预处理、边缘增强、轮廓提取等技术,完成了基于有效边缘的候选区域分割,候选区域的提取可以有效地减少行人识别检测的范围,从而提高了行人检测的实时性。第二,采用Haar特征描述行人,通过对搜集到的行人正负样本库进行学习训练完成了基于Adaboost算法的级联分类器设计,训练得到的级联分类器可以有效地在候选区域范围中检测识别行人目标。第三,在HSV色彩环境下,通过对已检测行人目标的色彩的提取,实现了基于CamShift算法的行人目标的跟踪,同时本文对CamShift算法的收敛条件提出了改进,改进后算法减少了周围环境色彩干扰对跟踪效果的影响。第四,使用张正友标定方法对实验信息采集摄像机完成了内参数的标定,然后在既定的约束条件下,建立了车辆后方的几何模型,本文将该几何模型和超声波倒车雷达结合在一起构建了一个车辆后方的预警模型,该预警模型检测范围广,通过定位行人目标所处的预警区域,可以作出不同的预警行为。最后,通过对不同环境下的实验,表明本文的行人检测算法具有较好的鲁棒性,识别算法具有较高的检测率、较低的误检率,跟踪算法和预警模型都有较好的准确性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究的背景及意义
• 1.2 行人检测研究概述
• 1.2.1 行人检测传感器
• 1.2.2 基于非视觉传感器的行人检测研究现状
• 1.2.3 基于计算机视觉的行人检测研究现状
• 1.2.4 国内行人检测研究现状
• 1.3 本文主要工作
• 1.4 本文组织结构
• 第2章 基于有效边缘的候选区域分割
• 2.1 图像预处理
• 2.1.1 图像平滑处理
• 2.1.2 图像形态学处理
• 2.2 图像边缘增强
• 2.2.1 图像边缘检测算子
• 2.2.2 行人边缘增强
• 2.3 行人候选区域分割
• 2.3.1 线性滤波
• 2.3.2 有效边缘提取
• 2.3.3 候选区域分割
• 2.4 本章小结
• 第3章 基于Adaboost算法的行人识别
• 3.1 计算机视觉中的机器学习理论
• 3.2 Adaboost算法分析
• 3.2.1 Adaboost算法流程
• 3.2.2 Adaboost算法收敛性
• 3.2.3 Adaboost算法泛化能力
• 3.3 基于Adaboost算法的行人训练
• 3.3.1 样本集准备
• 3.3.2 特征提取
• 3.3.3 弱分类器学习
• 3.3.4 强分类器
• 3.3.5 级联分类器
• 3.3.6 训练结果分析
• 3.4 行人检测
• 3.4.1 级联分类器检测框架
• 3.4.2 本文行人检测
• 3.5 本章小结
• 第4章 基于改进CamShift算法的行人跟踪
• 4.1 运动目标跟踪方法研究
• 4.1.1 基于运动检测的目标跟踪算法
• 4.1.2 基于匹配的目标跟踪
• 4.2 CamShift算法概述
• 4.2.1 MeanShift算法原理
• 4.2.2 CamShift算法原理
• 4.3 基于CamShift算法的行人目标跟踪
• 4.3.1 HSV色彩模型
• 4.3.2 计算色彩概率分布图
• 4.3.3 基于改进收敛条件的行人跟踪
• 4.4 本章小结
• 第5章 倒车场景下的行人预警系统
• 5.1 摄像机标定
• 5.1.1 摄像机标定方法研究
• 5.1.2 摄像机成像
• 5.1.3 本文摄像机标定过程
• 5.2 预警模型
• 5.2.1 定位模型
• 5.2.2 实验分析
• 5.2.3 基于计算机视觉的预警模型
• 5.2.4 与超声波结合的预警模型
• 5.3 本章小结
• 第6章 系统实验测试及性能分析
• 6.1 鲁棒性测试
• 6.2 实时性测试
• 6.3 本章小结
• 第7章 总结及展望
• 7.1 本文工作总结
• 7.2 下一步工作展望
• 参考文献
• 致谢