基于單目視覺的夜間前方車輛檢測.pdf

1、夜間車輛檢測是計算機視覺領(lǐng)域一個具有挑戰(zhàn)性的問題。夜間光照條件差，車輛外形特征不明顯，導(dǎo)致交通事故頻發(fā)。針對夜間車輛檢測誤檢率高、檢測速率慢的問題，本文研究了基于單目視覺的夜間前方車輛檢測方法，以提高夜間行車的安全性。論文主要工作包括以下三部分：
　　（1）基于CenSurE特征的車燈檢測算法。由于人工設(shè)定閾值和濾波器線性采樣，導(dǎo)致特征點稀疏、噪聲多，本文在中心環(huán)繞雙層濾波器上利用對數(shù)尺度采樣獲取密集的特征點，并使用多級Otsu閾

2、值濾除不穩(wěn)定的特征點；然后，根據(jù)顏色閾值進一步確定車燈區(qū)域；最后，根據(jù)配對約束條件進行車燈配對。相比于原始CenSurE算法，本文的改進方法能提取到密集和噪聲較少的特征點，查準(zhǔn)率提高了8.6％，提高到41.2%，查全率提高了12%，提高到53.3%，但是仍誤檢部分路燈、廣告牌等非車燈光源。
　?。?）針對傳統(tǒng)方法優(yōu)秀的人工特征也難以準(zhǔn)確檢測車輛的問題，本文提出了基于Faster RCNN的夜間車輛檢測算法，使用深層卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)

3、出更好的車輛描述特征。原始Faster RCNN隨機選取負樣本的機制，沒有專注區(qū)分車燈和非車燈光源，本文通過改進的CenSurE特征啟發(fā)式地挖掘困難樣本，以增強模型分類性能。與原始模型相比，困難樣本挖掘模型的AuC提高了8.1%，提高到84.4%。
　?。?）針對Faster RCNN檢測速率較慢，難以滿足實時性要求的問題，本文提出一種基于PCA降維的Faster RCNN模型優(yōu)化方法。首先對模塊C全連接層參數(shù)進行降維，為了保證模

4、型收斂，在原始訓(xùn)練步驟的基礎(chǔ)上增加兩步分別用于學(xué)習(xí)模塊B和模塊C的參數(shù)。然后結(jié)合（2）的在線困難樣本挖掘機制進行模型學(xué)習(xí)，相比于原始模型，本文改進的模型減少了近5000萬個參數(shù)，每一秒的檢測幀數(shù)由原來的17幀提升到24幀，AuC提高了9.8%，提高到86.1%。
　　針對Faster RCNN，本文除了使用與訓(xùn)練樣本類似的高速路和市區(qū)場景進行測試，還挑戰(zhàn)性地使用與樣本不一致的困難場景進行測試，通過實驗，證實了本文模型的普適性和泛化