基于視頻的快速車輛檢測(cè)與定位算法研究.pdf

1、隨著經(jīng)濟(jì)的發(fā)展，人們的生活發(fā)生了極大的變化。為了節(jié)省時(shí)間成本，很多人選擇了駕車出行。因此，造成了交通擁擠，堵塞嚴(yán)重的現(xiàn)象。為解決這個(gè)問(wèn)題，很多研究者展開了對(duì)智能輔助駕駛系統(tǒng)的研究。其中，物體識(shí)別技術(shù)的發(fā)展為智能輔助駕駛系統(tǒng)的車輛識(shí)別問(wèn)題貢獻(xiàn)了極大的力量，為駕駛員或者智能車輛系統(tǒng)提供準(zhǔn)確實(shí)時(shí)的路況信息，達(dá)到預(yù)警、避讓、制動(dòng)等目的。這對(duì)駕駛員安全行車，增加車輛安全系數(shù)，減少交通事故的發(fā)生有極大的幫助。目前，如何快速進(jìn)行車輛檢測(cè)與定位成了當(dāng)下

2、研究的熱點(diǎn)。
　　本文從實(shí)際出發(fā)，針對(duì)現(xiàn)有的車輛檢測(cè)與定位方法難以實(shí)現(xiàn)實(shí)時(shí)以及速度慢的問(wèn)題提出快速的車輛檢測(cè)與定位方法。該方法以車載相機(jī)實(shí)際拍攝的車輛為實(shí)驗(yàn)對(duì)象，判斷視頻中是否存在車輛，并獲取車輛的大小位置等信息并框出檢測(cè)的車輛，然后對(duì)檢測(cè)出來(lái)的車輛進(jìn)行準(zhǔn)確的定位。本文的實(shí)驗(yàn)環(huán)境是Visual studio2010結(jié)合Opencv2.4.9。本文設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)快速車輛檢測(cè)與定位系統(tǒng)。
　　本文的主要工作內(nèi)容如下:
　

3、?。?）選擇合適的鏡頭錄制行駛的前方車輛樣本視頻，并從中選取實(shí)驗(yàn)的正負(fù)樣本圖片進(jìn)而對(duì)圖片進(jìn)行預(yù)處理，其中正樣本是包含車輛的圖片，負(fù)樣本為不包含車輛的圖片。
　?。?）對(duì)實(shí)驗(yàn)樣本提取各種特征，并對(duì)各種特征進(jìn)行詳細(xì)介紹，然后進(jìn)一步分析計(jì)算各種特征所需時(shí)間以及特征維數(shù)，最后使用Linear-SVM分類器驗(yàn)證各種特征，選取了表征車輛的最優(yōu)特征：ICF特征。訓(xùn)練階段使用了一種遞歸訓(xùn)練的方法，通過(guò)不斷的訓(xùn)練分類器，讓每次訓(xùn)練得到的特征進(jìn)行一個(gè)

4、整合，再在整合的特征中選擇出現(xiàn)次數(shù)最多的若干個(gè)特征作為最終的ICF分類器訓(xùn)練的特征。這樣可以選出能夠區(qū)分出正負(fù)樣本的好的特征從而訓(xùn)練出分類性能更好的分類器。
　?。?）由于現(xiàn)有的算法檢測(cè)準(zhǔn)確率低誤撿率高，本文通過(guò)實(shí)驗(yàn)對(duì)比選擇遞歸的ICF算法作為本實(shí)驗(yàn)的核心學(xué)習(xí)算法。并在車輛分類器的訓(xùn)練過(guò)程中使用添加樣本難例的方法。采用原始的分類器進(jìn)行檢測(cè)，把檢測(cè)錯(cuò)誤的樣本作為負(fù)樣本來(lái)擴(kuò)充負(fù)樣本庫(kù)和未檢測(cè)到的樣本作為正樣本來(lái)擴(kuò)充正樣本庫(kù)，有效的增加

5、了樣本庫(kù)的多樣性，訓(xùn)練出效果更好的分類器，提高了分類器的分類精度。
　?。?）為提高檢測(cè)速度，訓(xùn)練多個(gè)尺度的分類器進(jìn)行檢測(cè)。不斷放大檢測(cè)框，采用最接近檢測(cè)框尺寸的分類器進(jìn)行檢測(cè)，這樣可以減少由于檢測(cè)框放大造成特征的嚴(yán)重丟失，從而提高檢測(cè)效果。使用遞歸的ICF分類器進(jìn)行目標(biāo)檢測(cè)使檢測(cè)過(guò)程更具有針對(duì)性，同時(shí)減少了分類算法掃描時(shí)間，實(shí)現(xiàn)前方車輛快速檢測(cè)。最后，對(duì)檢測(cè)出來(lái)的車輛檢測(cè)掃描框進(jìn)行準(zhǔn)確定位，為智能輔助駕駛系統(tǒng)提供了準(zhǔn)確測(cè)距的基礎(chǔ)