基于主動學習的車載單目視覺車輛檢測與跟蹤研究.pdf

1、隨著汽車保有量的迅猛增長，公路交通事故已經成為全球范圍內日趨嚴重的公共安全問題，亟待解決。前碰撞預警系統(tǒng)是智能輔助駕駛系統(tǒng)的重要組成部分，能有效降低公路交通事故發(fā)生的概率。車輛檢測和跟蹤的準確性、連續(xù)性和實時性是影響該系統(tǒng)功能發(fā)揮的決定性因素。其中，車輛定位的準確性和連續(xù)性是預警功能的前提，而實時性是預警功能有效發(fā)揮的關鍵，能使駕駛者及早發(fā)現(xiàn)險情。因此本文致力于車載單目視覺的車輛檢測與跟蹤算法研究，具體研究內容如下:
　　基于主動

2、學習的分類器模型訓練?；跈C器學習的視覺車輛檢測需要大量帶有標簽的樣本數(shù)據(jù)，用以訓練出能夠準確分類圖像中車輛與背景的分類器模型。本文提出一種基于錯誤分類樣本抽樣策略的主動學習算法，以較小的人工標注成本獲得最具信息量的樣本數(shù)據(jù)，迭代訓練優(yōu)化分類器的性能。
　　Adaboost(AdaptiveBoosting)級聯(lián)多目標車輛檢測。為了提高車輛檢測的準確性，本文提出一種分區(qū)域多分類器車輛檢測方法。根據(jù)車輛特征在檢測視野中的差異，把待檢

3、測車輛分類為前向車輛、左斜側向車輛和右斜側向車輛，分別訓練級聯(lián)分類器進行檢測。同時，為了提高車輛檢測速度，提出一種結合相機標定的多分辨率加速車輛檢測算法，對檢測視野中遠近不同的車輛采用不同程度的圖像降采樣分別檢測。
　　HOG(HistogramofOrientedGradients)特征跟蹤與Adaboost檢測融合。針對Adaboost級聯(lián)車輛檢測結果不夠連續(xù)的問題，提出一種Adaboost級聯(lián)檢測與HOG特征跟蹤相互融合的車