论文部分内容阅读
车辆检测与跟踪技术是智能交通系统(Intelligent Transportation Systems, ITS)与车辆辅助驾驶系统(Driver Assistance System, DAS)中的一个非常重要并具有挑战性的课题。近年来,许多学者对其进行了大量的研究。对于车辆辅助驾驶系统来说,确定路面其他车辆的位置是非常重要的。因而,稳定可靠的车辆检测与跟踪是这些系统的基本步骤。近来,在乍辆辅助驾驶系统方面,出现大量的基于视觉传感器的车辆检测与跟踪的研究,如追尾防撞系统,视觉增强系统等。车辆辅助驾驶系统中的车辆目标检测与跟踪要求对光线及路面条件不变条件下相对稳定的特征提取与跟踪方法,以及在不考虑目标车辆的距离情况下的车辆位置与速度的精确估计。然而,大部分的研究都是采用对光线敏感的可见光视频,在前进过程中车辆会产生严重的阴影问题而导致车辆精确轮廓提取较难,图像质量以及光线要求也相对增加。本文主要使用红外视频图像对车辆目标进行检测与跟踪。与普通可见光视频相比,红外视频对日夜的变化而言图像变化不大,因而光线较差或光线不稳定的条件下,同样能够适用。本文基于支持向量机(SVM)与均值平移的红外车辆目标跟踪算法研究主要分为三个部分:(1)基于差分演化和平稳小波变换的红外车辆目标增强算法。针对红外图像噪声大,对比度低等特点,本文提出一种基于差分演化和平稳小波变换的非线性自适应增强算法。综合运用信息熵、信噪比和图像的标准差构造增强后图像的评价函数。结合红外图像的特点设计一种非线性变换函数用于在平稳小波域内增强红外图像的对比度。该算法用差分演化算法结合构造的评价函数,寻找最优的非线性变换参数。所提出的算法在有效增强红外图像对比度的同时又对噪声有较强的鲁棒性。红外车辆目标增强示例说明所提出的算法综合性能优十多尺度非线性增强算法、平稳小波非线性增强算法和直方图均衡算法。(2)基于Grow-cut和最小二乘法的红外车辆目标检测算法。首先,采用Grow-cut结合最小二乘法进行车道线检测。实验结果表明,通过种子点选取分割感兴趣区域的方法能否准确地识别出车道线;并对于低分辨率图像也能取得良好的结果。然后,通过闽值放方法在感兴趣区域中寻找高亮区域,通过统计的车辆长与宽确定车辆的粗略位置框,位置框以高亮区域为中心,通过对粗略位置框边缘检测来进一步精确定位车辆位置。实验证明该方法的可行性,与传统方法相比,它能够得到较完整的车辆。(3)基于SVM和Meanshift的红外车辆目标分类与跟踪。首先,提取检测到的红外车辆目标图像的综合特征,将这些图像及附带特征分别分为训练样本与测试样本两个部分,用SVM对训练样本进行训练,然后对测试样本进行测试。实验表明,SVM分类器性能优于BP神经网络和RBF神经网络分类器。然后用Kalman结合Mean-shift进行车辆目标跟踪,其跟踪算法的综合性能优于单独基于Kalman滤波器和Mean-shift的跟踪算法。