單目視覺的運(yùn)動(dòng)車輛檢測與跟蹤算法.pdf

1、隨著模式識別、機(jī)器視覺以及人工智能技術(shù)的快速發(fā)展，基于單目攝像頭的前方運(yùn)動(dòng)車輛檢測與跟蹤也逐漸成為目前研究的熱點(diǎn)。它是實(shí)現(xiàn)人工智能輔助駕駛系統(tǒng)，乃至車輛全自動(dòng)駕駛的基礎(chǔ)。運(yùn)動(dòng)車輛檢測跟蹤是利用圖像序列中運(yùn)動(dòng)車輛在顏色、邊界特征、色彩紋理等方面的差異，檢測出運(yùn)動(dòng)物體；提取出運(yùn)動(dòng)車輛輪廓形狀等信息，進(jìn)一步獲取運(yùn)動(dòng)車輛的位置、尺寸、速度大小、距離等運(yùn)動(dòng)狀態(tài)信息，然后對其進(jìn)行實(shí)時(shí)跟蹤。然而，由于顯示環(huán)境中的遮擋物陰影、天氣影響光照強(qiáng)度、復(fù)雜背景

2、、目標(biāo)運(yùn)動(dòng)的不確定性等因素影響，使得系統(tǒng)對車輛要同時(shí)具備高精確度和高魯棒性的檢測及跟蹤變得十分困難。
　　本文基于單目攝像頭的前方運(yùn)動(dòng)車輛，從傳統(tǒng)的運(yùn)動(dòng)車輛檢測跟蹤算法入手，針對傳統(tǒng)算法中遇到的困難問題提出了一些新的算法。論文的主要工作和研究成果體現(xiàn)如下：
　　1.由于傳統(tǒng)的檢測算法不具備夜間檢測車輛的能力，并且對于車輛的檢測及跟蹤效果的實(shí)時(shí)性能存在缺陷，故本文利用機(jī)器學(xué)習(xí)，根據(jù)車輛不同類型的特征匹配5種與其相對應(yīng)的特征卷積

3、核，提出了基于新型卷積神經(jīng)網(wǎng)絡(luò)的運(yùn)動(dòng)車輛檢測算法。為了能夠提取對應(yīng)車型的特征，算法首先通過機(jī)器學(xué)習(xí)提取不同特征所對應(yīng)的卷積核；然后通過訓(xùn)練大量的樣本車輛，對本文所構(gòu)建的新型網(wǎng)絡(luò)進(jìn)行參數(shù)訓(xùn)練，特別是對卷積神經(jīng)網(wǎng)絡(luò)中BP神經(jīng)網(wǎng)絡(luò)部分中的連接參數(shù)和權(quán)重，如此可以將運(yùn)動(dòng)車輛進(jìn)行目標(biāo)分類；最后根據(jù)不同的特征進(jìn)行智能像素標(biāo)記，同一特征用相同像素值標(biāo)記，進(jìn)而提取出目標(biāo)車輛位置信息，達(dá)到模式識別的效果且能夠更快速地跟蹤到目標(biāo)車輛。仿真結(jié)果表明，該算法對

4、夜間運(yùn)動(dòng)車輛有良好的檢測效果，可以有效克服環(huán)境不利因素的干擾，突破了傳統(tǒng)檢測算法的瓶頸。該檢測方法還具有較好的魯棒性，并且其檢測結(jié)果更加貼近人眼視覺分類的效果。
　　2.針對基于新型卷積神經(jīng)網(wǎng)絡(luò)的運(yùn)動(dòng)車輛檢測算法在對目標(biāo)車輛進(jìn)行跟蹤時(shí)，對目標(biāo)車輛跟蹤的實(shí)時(shí)性不夠理想，因此本文利用基于信息塊技術(shù)，提出了一種基于目標(biāo)信息塊技術(shù)和超像素點(diǎn)相融合的運(yùn)動(dòng)車輛跟蹤算法。算法首先根據(jù)已有的檢測結(jié)果，提取出相關(guān)的目標(biāo)信息塊，然后將目標(biāo)信息塊進(jìn)行超

5、像素點(diǎn)劃分，根據(jù)信息熵概念將車輛與背景邊界進(jìn)行劃分，有效的降低了跟蹤算法的計(jì)算量；然后再利用運(yùn)動(dòng)車輛檢測過程中的檢測算法對基于超像素點(diǎn)劃分后的目標(biāo)信息塊進(jìn)行檢測，實(shí)現(xiàn)了目標(biāo)車輛跟蹤效果。仿真結(jié)果表明，本文提出的跟蹤算法與相關(guān)算法相比具有較好的實(shí)時(shí)性，可以準(zhǔn)確且實(shí)時(shí)地檢測出目標(biāo)車輛，并快速準(zhǔn)確地達(dá)到跟蹤的效果。同時(shí)，該算法的時(shí)間開銷對高速行駛的汽車輔助駕駛系統(tǒng)是可行的，并且其檢測誤差非常小，能夠在100Km/h高速運(yùn)行的情況下達(dá)到亞米級別