面向車輛駕駛輔助系統(tǒng)的視頻目標檢測與跟蹤.pdf

1、車輛駕駛輔助系統(tǒng)的使用可以顯著改善行車安全，降低交通事故發(fā)生率。環(huán)境感知作為車輛駕駛輔助系統(tǒng)的關鍵技術，近年來得到了極大關注和快速發(fā)展。然而，駕駛環(huán)境中車道結構復雜、車輛類型眾多、光照變化劇烈、背景干擾復雜，駕駛員操控水平及注意力集中程度千差萬別，對追求快速、準確、全面等特性的車輛駕駛輔助系統(tǒng)的設計造成極大的挑戰(zhàn)。針對以上問題，本文將探討如何采用攝像頭來感知車道線、前向車輛以及駕駛員面部等信息，為車道偏離預警系統(tǒng)、前向碰撞預警系統(tǒng)以及駕

2、駛員面部疲勞監(jiān)測系統(tǒng)等車輛駕駛輔助系統(tǒng)的設計提供典型視頻目標的檢測與跟蹤方法，并搭建了Windows和嵌入式Linux等多平臺下的功能驗證實驗平臺。本研究主要內容包括：
　?、盘岢隽嘶诙喑叨绕ヅ錇V波的車道線恒虛警率檢測方法。從車道線檢測與跟蹤任務的生產者/消費者模型考慮，提出了匹配增強的必要性；根據車道線的不同寬度特征，提出了多尺度匹配濾波方法；根據改進的恒虛警率檢測數學模型設定自適應的車道線特征點提取閥值；采用隨機抽樣一致性方

3、法進行車道線擬合，并根據車道線參數數據庫對其參數進行跟蹤濾波。通過道路試驗對比分析，檢驗了該方法在多種光照和天氣條件下的適應能力，驗證了其在光照陰影干擾強烈以及車道標志線磨損嚴重等低對比度場景下不同寬度車道線識別的魯棒性。
　?、铺岢隽嘶谪惾~斯概率決策的車輛提升學習檢測方法(BayesBoost)，以及基于PCA/ICA的多局部特征壓縮感知的前方多車隔幀跟蹤方法。在前車檢測階段，基于較大規(guī)模的車尾圖像數據庫，采用貝葉斯概率決策方

4、法改善了級聯(lián)AdaBoost算法的分類檢測效率。在前車跟蹤階段，為提高跟蹤算法對遮擋、振動、尺度變化等的適應性，僅在車輛尾部的四個局部區(qū)域提取較為完備的PCA/ICA特征，其中 PCA特征對應尾部圖像的低頻特征，ICA特征對應提取 PCA特征后殘差圖像的高頻特征。將PCA/ICA特征進行壓縮感知，提高了特征的稀疏性且將特征高斯化，為后續(xù)采用貝葉斯后驗概率法則判斷子窗口圖像的類屬可能性奠定了基礎。定制了逐級精細化的快速搜索方法，使用單目標

5、隔幀跟蹤方法，實現(xiàn)了前方的多車跟蹤。通過與同類多種跟蹤方法的對比分析，檢驗了該跟蹤方法在復雜真實道路場景中的前車檢測與跟蹤性能。
　?、遣捎没谏疃染矸e表達的駕駛員面部檢測方法，并研究了基于DCT感知哈希的面部跟蹤方法。由于駕駛員面部特征具有較大的個體差異，采用深度卷積網絡對駕駛員的面部特征進行無監(jiān)督地學習表達，經過大規(guī)模人臉圖像庫的深度訓練，獲得了性能較為優(yōu)良的駕駛員面部檢測器。在面部跟蹤階段，采用基于離散余弦變換(DCT)的方

6、法提取面部區(qū)域的主要低頻信息，并借鑒圖像相似性檢索中的感知哈希方法對DCT低頻信息進行哈希指紋編碼，形成了可以適應多種光照下的駕駛員面部跟蹤方法。通過典型人臉測試視頻以及行車視頻的驗證證明，該方法可以對劇烈光照和位置變化下的人臉進行穩(wěn)定檢測與跟蹤，跟蹤速率與視頻幀速率一致。
　?、仍O計了基于Windows和嵌入式Linux等多操作系統(tǒng)的驗證開發(fā)實驗平臺。通過采用寬動態(tài)范圍的攝像頭采集顯示屏上的真實道路錄像，搭建了基于ARM體系架構