城区复杂背景条件下的车辆检测算法研究

论文摘要

在智能车辆的信息感知中,对前方行驶车辆的检测是其核心任务和重要前提之一。本文以智能主动安全预警系统为背景,以城区复杂背景条件下行驶的车辆为研究对象,对小波变换在目标检测领域中的应用进行了讨论和研究,并基于以上理论提出了一种基于单目视觉的车辆检测的新方法。在车辆检测算法的研究方面,首先用三层金字塔高斯滤波器对原始图像进行平滑,然后采用一阶导数算子——3×3的Sobel算子提取平滑后的图像中包含的边缘信息。在得到图像全局轮廓的基础上,根据投影映射原理和统计数据求得图像中车宽阈值,运用“投票”机制来求取图像中存在的轮廓对称轴,并将对称轴位置映射到一个一维向量中。然后利用小波模极大值原理,通过小波变换检测出一维投票结果向量中的信号突变点,在整个像平面的对称轴集合中探测出候选车辆对称轴。得到候选车辆对称轴后,为了产生可用于确认判别的车辆外接矩阵Region of Interests(ROI),采用了边缘特征作为车辆左右边界定位的依据,并根据底部阴影特征来定位下边界,而对定位准确度要求较低的上边界则简单采用外形高宽比来检测。最后,通过基于局部信息熵和局部灰度对称性测度的假设验证对ROI区域进行验证并对验证后的车辆区域进行滤波,得到最终检测结果。大量的实验数据表明,本文算法具有较高的检测精度,较高的算法稳定性和运行鲁棒性,能较好地满足实际应用的需求。同时,由于本文算法是在全局图像中进行车辆检测,并未采用车道线等通常的约束条件,因此本文算法可良好地应用于城区道路等复杂环境下的车辆检测。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 引言
• 1.2 车辆检测技术的研究现状
• 1.2.1 采用单目视觉方法对前方车辆进行检测和跟踪
• 1.2.2 基于彩色图像的检测前方车辆的方法
• 1.2.3 采用立体视觉的前方车辆检测与定位
• 1.2.4 基于非视觉传感器的检测和定位车辆的方法
• 1.2.5 视觉与其他传感器融合的方法
• 1.3 研究重点与难点
• 1.4 研究总体思路
• 2 车辆检测技术的相关理论知识
• 2.1 车辆后视特征分析
• 2.1.1 底部阴影特征
• 2.1.2 对称性特征
• 2.1.3 纹理特征
• 2.1.4 水平或垂直边缘特征
• 2.1.5 色彩特征
• 2.1.6 外形特征
• 2.1.7 运动特征
• 2.2 小波变换的基本理论
• 2.2.1 小波变换的基本概念
• 2.2.2 小波多分辨率分析
• 2.2.3 基于小波变换模极大值检测理论
• 3 视频图像预处理
• 3.1 彩色图像的灰度化
• 3.1.1 图像的色彩理论
• 3.1.2 彩色图像灰度化
• 3.2 灰度图像的二值化
• 3.3 图像的平滑去噪
• 3.3.1 均值滤波
• 3.3.2 中值滤波
• 3.3.3 数字形态学滤波
• 3.4 图像的边缘检测
• 3.4.1 Roberts 边缘算子
• 3.4.2 Sobel 边缘算子和Prewitt 边缘算子
• 3.4.3 Laplacian 边缘算子
• 3.5 求取全局轮廓图像
• 4 城区车辆检测算法研究
• 4.1 基于轮廓对称性的对称轴映射
• 4.2 小波变换检测车辆对称轴
• 4.3 多特征融合检测车辆外接矩形
• 4.3.1 车辆左右边界的检测
• 4.3.2 车辆下边界的检测
• 4.3.3 车辆上边界的检测
• 4.4 候选区域的车辆验证
• 4.4.1 基于局部信息熵的假设验证
• 4.4.2 基于局部灰度对称性测度的假设验证
• 4.4.3 对验证后的车辆位置进行滤波
• 5 实验结果分析
• 5.1 实验验证
• 5.2 结果分析
• 6 总结与展望
• 6.1 总结
• 6.2 展望
• 致谢
• 参考文献
• 附录