详情

原文传递基于视频的快速车辆检测与定位算法研究

论文题名：	基于视频的快速车辆检测与定位算法研究
关键词：	智能辅助驾驶系统;车辆检测;目标定位;ICF分类器;最接近检测框
摘要：	随着经济的发展，人们的生活发生了极大的变化。为了节省时间成本，很多人选择了驾车出行。因此，造成了交通拥挤，堵塞严重的现象。为解决这个问题，很多研究者展开了对智能辅助驾驶系统的研究。其中，物体识别技术的发展为智能辅助驾驶系统的车辆识别问题贡献了极大的力量，为驾驶员或者智能车辆系统提供准确实时的路况信息，达到预警、避让、制动等目的。这对驾驶员安全行车，增加车辆安全系数，减少交通事故的发生有极大的帮助。目前，如何快速进行车辆检测与定位成了当下研究的热点。　　本文从实际出发，针对现有的车辆检测与定位方法难以实现实时以及速度慢的问题提出快速的车辆检测与定位方法。该方法以车载相机实际拍摄的车辆为实验对象，判断视频中是否存在车辆，并获取车辆的大小位置等信息并框出检测的车辆，然后对检测出来的车辆进行准确的定位。本文的实验环境是Visual studio2010结合Opencv2.4.9。本文设计并实现了一个快速车辆检测与定位系统。　　本文的主要工作内容如下: 　　（1）选择合适的镜头录制行驶的前方车辆样本视频，并从中选取实验的正负样本图片进而对图片进行预处理，其中正样本是包含车辆的图片，负样本为不包含车辆的图片。　　（2）对实验样本提取各种特征，并对各种特征进行详细介绍，然后进一步分析计算各种特征所需时间以及特征维数，最后使用Linear-SVM分类器验证各种特征，选取了表征车辆的最优特征：ICF特征。训练阶段使用了一种递归训练的方法，通过不断的训练分类器，让每次训练得到的特征进行一个整合，再在整合的特征中选择出现次数最多的若干个特征作为最终的ICF分类器训练的特征。这样可以选出能够区分出正负样本的好的特征从而训练出分类性能更好的分类器。　　（3）由于现有的算法检测准确率低误捡率高，本文通过实验对比选择递归的ICF算法作为本实验的核心学习算法。并在车辆分类器的训练过程中使用添加样本难例的方法。采用原始的分类器进行检测，把检测错误的样本作为负样本来扩充负样本库和未检测到的样本作为正样本来扩充正样本库，有效的增加了样本库的多样性，训练出效果更好的分类器，提高了分类器的分类精度。　　（4）为提高检测速度，训练多个尺度的分类器进行检测。不断放大检测框，采用最接近检测框尺寸的分类器进行检测，这样可以减少由于检测框放大造成特征的严重丢失，从而提高检测效果。使用递归的ICF分类器进行目标检测使检测过程更具有针对性，同时减少了分类算法扫描时间，实现前方车辆快速检测。最后，对检测出来的车辆检测扫描框进行准确定位，为智能辅助驾驶系统提供了准确测距的基础。
作者：	谢晶梅
专业：	控制科学与工程
导师：	宋亚男
授予学位：	硕士
授予学位单位：	广东工业大学
学位年度：	2017
正文语种：	中文