智能車輛視覺魯棒檢測與識別方法研究.pdf

1、智能車輛視覺魯棒檢測與識別方法的研究對于降低日益增長的交通事故發(fā)生率，提高現(xiàn)有道路交通安全和運輸效率，緩解駕駛員疲勞程度等問題具有重要意義，得到國內(nèi)外學(xué)者們的廣泛關(guān)注，本文針對智能車輛的環(huán)境感知關(guān)鍵技術(shù)，對基于機器視覺的目標魯棒檢測與識別問題進行深入研究，具體研究內(nèi)容和創(chuàng)新點歸納如下:
　　(1)提出一種幀間等角度圓周運動約束下的相機分層自標定方法。利用幀間等角度圓周運動約束推導(dǎo)了關(guān)于三視圖之間無窮遠平面坐標的約束條件，相比模約束

2、條件，能有效減少可能解的數(shù)量。此外，針對序列圖像，提出分層迭代粒子群算法(SIPSO)對無窮遠平面坐標進行優(yōu)化求解。相比傳統(tǒng)方法在度量重構(gòu)時利用序列圖像信息提高解的精確度，本文方法在仿射重構(gòu)這一步就能充分挖掘序列圖像信息。實驗證明，算法對噪聲干擾具有一定的魯棒性。
　　(2)提出一種利用城市交通場景中直線進行相機在線標定的方法。算法通過檢測三維場景中的曼哈頓直線，并估計曼哈頓方向的消影點，進而估計相機內(nèi)參數(shù)。此外，針對準曼哈頓場景

3、，提出相應(yīng)的直線擬合方法以提高消影點估計的準確性。分別設(shè)計了單幀和多幀圖像測試方案，實驗證明，雖然單幀圖像能夠滿足相機內(nèi)參數(shù)估計的要求，但利用連續(xù)多幀圖像對相機內(nèi)參數(shù)進行最小二乘估計能提高參數(shù)估計的準確性和穩(wěn)定性。
　　(3)提出一種基于局部能量聚類分割和感興趣區(qū)域語義驗證的交通標志檢測方法。提出利用多重差分高斯濾波器代替Gabor濾波器提取圖像的局部能量實現(xiàn)感興趣區(qū)域的快速分割。為進一步驗證感興趣區(qū)域，提出一種多核嵌入的測度學(xué)習(xí)

4、方法，通過融合感興趣區(qū)域的顏色、形狀及幾何特征實現(xiàn)感興趣區(qū)域的語義分類。實驗證明，利用該算法能有效地排除假性感興趣區(qū)域，并且，算法對復(fù)雜背景、光照變化、視角變化等情況具有一定的魯棒性。
　　(4)提出一種多模態(tài)多任務(wù)學(xué)習(xí)的交通標志識別方法。在最小二乘回歸模型中引入兩種不同的結(jié)構(gòu)化稀疏范數(shù)，其中樹結(jié)構(gòu)引導(dǎo)的稀疏范數(shù)用于對交通標志多類別之間的相似性建模，利用樹結(jié)構(gòu)嵌入的多任務(wù)學(xué)習(xí)選擇相似類之間的共享特征，提高分類模型的泛化能力;另一結(jié)

5、構(gòu)化稀疏范數(shù)用于同時實現(xiàn)模態(tài)內(nèi)部和模態(tài)間特征選擇。此外，提出采用交替方向乘子法對模型迭代求解，并分析了解的收斂性。實驗證明，算法得到的分類模型具有較強的可釋性，且算法對光照、視角變化、遮擋等情況具有較強的魯棒性。
　　(5)提出一種融合高、低分辨率特征的魯棒行人檢測方法。算法利用線性變換矩陣分別將高、低分辨率樣本特征融合映射至同一特征空間，并在該空間內(nèi)學(xué)習(xí)最優(yōu)檢測分類器，實現(xiàn)高分辨率和低分辨率樣本特征融合以提高行人檢測魯棒性。在最

6、優(yōu)檢測分類器優(yōu)化學(xué)習(xí)過程中，同時考慮了最小化來自不同分辨率的樣本的分布散度，同時最小化分類器的結(jié)構(gòu)化風險函數(shù)，推導(dǎo)得到關(guān)于線性變換矩陣和分類器函數(shù)的凸優(yōu)化模型，提出了相應(yīng)的模型求解方法，并證明解的全局最優(yōu)性。實驗證明算法在近距離（高分辨率）和遠距離（低分辨率）尺度目標檢測上具有一定的魯棒性。
　　綜上所述，本文研究了相機離線、在線自標定方法，以提高視覺檢測和識別的魯棒性能，此外，研究了交通標志魯棒檢測和識別方法，及行人魯棒檢測方法