论文部分内容阅读
随着经济高速发展,经济全球化,我国的汽车数量增长迅猛,这给予了人们极大的便利,也提高了人们的生活质量水平。但是,随着车辆数量的逐年增长,我国道路状况却不容乐观。高级驾驶辅助系统(Advanced Driver Assistance System,ADAS)的出现可以有效地预防危险驾驶。ADAS的重要组成部分主要是前车防撞模块和车道偏离预警模块。其中,前车防碰撞的功能在于,可以对前方车辆进行实时监控,检测跟踪前方车辆。通过所设计的前方车辆检测与跟踪算法,获得前方车辆的位置信息,在此基础上,分析与判断前方车辆距离、位置等。对于前车防碰撞预警系统而言,其关键环节在于前方车辆检测与跟踪算法。本文对前方车辆检测和跟踪方法展开研究,具体包括如下内容:1)第二章介绍了近几年主流的基于机器学习的前方车辆检测与跟踪方法,并阐述了各个方法的优点与缺点,为后续前方车辆检测与跟踪算法研究奠定了基础。2)第三章研究了基于机器学习的前方车辆检测算法,主要研究工作包括:构建了用于训练检测器的正负样本集;所设计的分类器由若干个弱分类器组成一个强分类器,每个弱分类器对应一个特征,采用AdaBoost算法选择对车辆检测具有较好性能的弱分类器;考虑到车辆检测过程中,图像中大部分区域不包含车辆对象,所以以级联的方式组织训练得到的强分类器非常适合这类应用场合;在实验中,采用了 LBP、Haar与HOG作为特征,设计了多层的级联分类器,实验表明,该方法在不同环境场景下,可以有效检测出前方车辆,具有较好的鲁棒性,满足车辆检测的实时性要求。3)第四章研究了几种目标跟踪算法,提出了一种基于改进的KCF(Kernelized Correlation Filter,KCF)前方车辆跟踪算法。传统的KCF跟踪算法存在跟踪尺度问题与目标丢失问题。针对这个问题,本文提出了一种结合相关滤波器算法的尺度滤波器的方法来改进KCF跟踪算法。首先通过传统KCF算法中的位置分类器得到目标车辆,对当前目标车辆建立尺度金字塔,通过尺度相关滤波器对应最大响应的当前目标尺度信息,最后使用新目标图像作为训练样本更新目标的位置模型和尺度模型。实验结果表明,本文改进的KCF算法对前方车辆跟踪有较好的效果,且在多种环境和车辆变化的情况下都有较好的鲁棒性和跟踪精度。