無人車視覺導(dǎo)航中的前方車輛檢測方法研究.pdf

1、近年來，基于機器視覺的無人駕駛車輛系統(tǒng)已成為當前學(xué)術(shù)界研究的重要內(nèi)容，其中視覺導(dǎo)航技術(shù)備受關(guān)注。本文研究的主要內(nèi)容是基于無人車視覺導(dǎo)航中的前方車輛檢測方法，在現(xiàn)有的基礎(chǔ)上做了進一步的研究。
　　本研究主要內(nèi)容包括：⑴設(shè)計了一種基于顏色屬性的通用目標檢測方法。通用目標檢測就是提取出圖像中有可能包含目標的區(qū)域并以外接矩形的形式予以輸出。本文首先比較了傳統(tǒng)滑動窗口法和通用目標檢測法提供的候選目標檢測窗口的優(yōu)缺點，接著通過顏色屬性轉(zhuǎn)換將傳

2、統(tǒng)的彩色圖像轉(zhuǎn)化為十一色圖，然后利用區(qū)域劃分算法將圖像劃分為不同的區(qū)域，最后將不同區(qū)域間顏色、紋理相似度作為評價指標，利用區(qū)域合并策略將不同區(qū)域合并，將合并后的結(jié)果作為通用目標的候選窗口。實驗結(jié)果表明，本文算法可以在保持較高的目標檢測率的情況下用較少的候選框來描述目標的候選區(qū)域，具有較好的通用性。⑵研究了基于AdaBoost算法的前方車輛檢測方法，設(shè)計了一種改進的基于通用目標檢測和AdaBoost算法的前方車輛檢測方法。該方法首先將通用

3、目標檢測的結(jié)果作為車輛檢測的候選窗口，接著提取車輛的Haar特征并利用AdaBoost算法來訓(xùn)練強分類器，然后生成級聯(lián)分類器作為車輛分類器對候選窗口進行過濾，最后利用窗口合并策略對檢測結(jié)果進行再處理，進而得到車輛檢測結(jié)果。實驗結(jié)果表明該改進方法相比基于滑動窗口的AdaBoost檢測方法在不影響檢測性能的基礎(chǔ)上，平均耗時更低。而且在分辨率要求不高的情況下，基本可以滿足實時性要求。但當車輛出現(xiàn)少許遮擋時，容易出現(xiàn)誤判和漏檢現(xiàn)象。⑶設(shè)計了一種

4、新的基于HOG-PCA和DPM算法的前方車輛檢測方法。鑒于基于特征的機器學(xué)習(xí)方法面對遮擋問題性能下降這一現(xiàn)象，本文接著研究了一種基于部件的DPM算法。本文首先提取車輛的HOG特征作為車輛特征，接著利用PCA算法對HOG特征降維，并構(gòu)建HOG特征金字塔，然后利用Latent-SVM來訓(xùn)練不同姿態(tài)下車輛單一DPM模型，最后將單一模型組合成混合DPM模型作為最終的車輛檢測模型。實驗結(jié)果表明，當前方車輛出現(xiàn)部分遮擋現(xiàn)象時，基于HOG-PCA和D