论文部分内容阅读
前方车距测量作为智能交通系统(Intelligent Transportation System,ITS)的关键技术之一,对ITS的深入研究具有重要的理论意义和应用价值。基于立体视觉的车距测量技术由于其非接触性,准确度高等优点而日益成为车距测量的主要技术手段。目前的动态车距测量技术易受环境等外部条件的影响,尤其当车辆处于复杂多变的交通场景或者恶劣天气环境中时难以获得令人满意的识别率和鲁棒性。针对以上问题,本文借鉴人类的记忆机制建立了选择性视觉注意模型对动态车辆目标进行识别,并探讨建立基于双向改进蝙蝠算法的车距测量系统对前方车辆进行精确距离测量。论文的具体工作如下:(1)借鉴人类记忆机制建立了车辆目标显著图的识别模型(Memory-based Vehicle RecognitionModel,MVRM)。该模型基于鹰眼的视觉注意模型并进行了两个方面的改进,从而实现对动态车辆目标的精确识别。一方面引入稀有运动特征作为衡量视觉显著性的一个重要因素,提高了视觉注意机制检测目标的准确度;另一方面,根据人类记忆机制进行视觉信息处理时的认知过程,建立了车辆目标显著区域的识别模型。该模型分别创建了瞬时记忆空间和长时记忆空间用来指导车辆目标的识别过程,提高了车辆目标识别模型的准确度和鲁棒性。(2)针对传统的局部匹配算法存在运算精度不足的问题,提出了基于双向改进蝙蝠算法的自适应权重立体匹配算法。该算法首先对经过预处理过的图像利用自适应权重的立体匹配算法得到初始匹配结果,利用初始匹配结果得到初始视差并给车辆提供及时的避障信息;然后以初始匹配结果为初始值对图像进行基于双向改进蝙蝠算法的匹配点优化,生成更加精确的视差图。结合提取到的运动车辆目标信息,得到与动态车辆目标的精确车距信息。仿真实验结果表明,结合人类记忆机制的MVRM模型的动态车辆识别率达到了 77.10%,误识别率只有4.5%,且在各种天气环境、复杂道路交通环境下均有较好识别效果,抗噪性能良好。同时,采用双向改进蝙蝠算法的前方车辆测距算法与实际测量车距的最大误差百分比控制在5%之内,平均每帧图像计算时间为17.29ms。实验表明本文算法具有较好的鲁棒性和实时性,能满足实际应用需求,是一种有效的车距测量方案。