驾驶辅助系统中基于视频的车辆检测算法研究

论文摘要

公路交通的飞速发展为人们的生活提供了极大的便利,但是随着汽车的不断增多,交通事故频频发生,驾驶安全问题日益突出。因此,智能化的驾驶辅助和安全警告系统（Intelligent Driver-Assistance and Safety Warning system,IDASWs）成为当前国际国内智能交通系统研究的重要内容。智能化的驾驶辅助和安全警告系统中,如何有效地检测出前方行驶的车辆,提醒驾驶员避免碰撞,是当前研究的热点。前方车辆图像往往表现出丰富的水平和垂直边缘信息,本文从拍摄到的前方车辆图像的边缘信息出发,首先提取出车辆候选区域,然后对候选区域验证,得到车辆目标。本文研究的内容主要有以下两个部分:1、车辆候选区域提取。本文提出一种基于距离的多尺度边缘分析算法,首先对图像区域按照距离划分为近、中、远距离的三个子图,然后对三个子图进行尺度化水平边缘分析,提取出每个距离子图的候选车辆候选区域的底基线,再结合垂直边缘分析,得到初步的候选区域。考虑到不同距离的车辆可能造成的碰撞危险程度不同,本文对每个候选区域附加一个距离危险系数,在后续验证识别处理中,这个系数同分类概率结合后,得出最终的结果。2、车辆候选区域验证。提取的车辆候选区域往往包含一些虚假目标,因此,有必要对其进行验证。本文应用机器学习的方法,首先选取一定量的车辆和背景样本,应用本文提出的改进的Gabor小波特征提取方法,提取出相应的特征向量,将其输入后验概率支持向量机（Posterior Probability Support VectorMachine,PPSVM）训练,得到分类器。候选区域验证时,首先对候选区域提取特征,然后应用训练好的PPSVM分类器进行目标的分类识别,得到目标属于车辆类的概率,再结合其距离危险系数,去除虚假目标,得到目标车辆。实验结果表明,本文算法能够比较有效地从视频序列中检测出前方车辆,在本文的测试平台上基本达到实时性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 引言
• 1.2 车辆检测技术
• 1.3 研究现状
• 1.3.1 国外研究现状
• 1.3.2 国内研究现状
• 1.4 基于视觉的车辆检测
• 1.5 本文的主要工作及研究内容
• 1.6 本文结构
• 第2章 基于距离的多尺度车辆候选区域提取
• 2.1 车辆候选区域提取概念
• 2.2 车辆候选区域提取技术现状
• 2.2.1 基于运动的方法
• 2.2.2 基于立体视觉的方法
• 2.2.3 基于学习的方法
• 2.2.4 三种方法的比较
• 2.3 基于距离的多尺度车辆候选区域提取算法流程
• 2.4 预处理
• 2.4.1 灰度化
• 2.4.2 平滑滤波
• 2.5 水平和垂直边缘检测
• 2.6 基于距离的多尺度边缘分析方法
• 2.6.1 三个尺度的划分
• 2.6.2 获取ROI基线
• 2.6.3 分析垂直边缘,得到车辆候选区域
• 2.6.4 得出结果
• 2.7 小结
• 第3章 改进的GABOR小波特征和PPSVM分类器实现车辆识别
• 3.1 基于模板的方法
• 3.2 基于统计学习的方法
• 3.2.1 特征提取
• 3.2.2 分类识别
• 3.3 GABOR小波基本原理
• 3.3.1 小波变换
• 3.3.2 Gabor函数
• 3.3.3 Gabor小波
• 3.4 GABOR小波车辆图像特征提取
• 3.4.1 车辆图像区域划分
• 3.4.2 Gabor小波特征提取
• 3.4.3 改进的Gabor小波特征
• 3.5 SVM基本原理
• 3.5.1 SVM概述
• 3.5.2 最优分类面
• 3.5.3 支持向量机
• 3.5.4 SVM算法实现
• 3.5.5 PPSVM
• 3.6 PPSVM分类器训练和测试
• 3.6.1 训练样本集
• 3.6.2 特征提取
• 3.6.3 分类器训练
• 3.6.4 PPSVM分类器识别效果测试
• 3.6.5 识别结果分析
• 3.7 小结
• 第4章 实验结果与分析
• 4.1 测试条件与结果
• 4.1.1 测试条件
• 4.1.2 测试结果
• 4.2 结果分析
• 4.2.1 不同的车型
• 4.2.2 不同的天气状况
• 4.2.3 不同的距离
• 4.2.4 测试小结
• 第5章 全文总结及展望
• 5.1 总结
• 5.2 展望
• 参考文献
• 研究生期间参加的科研活动及科研成果
• 致谢