论文部分内容阅读
基于视觉的车辆检测是计算机视觉研究领域和安全驾驶辅助系统的一个研究热点。车辆检测的目的是为了检测出驾驶车辆周围出现的车辆,从而提醒驾驶员当前的行驶路况以及有可能与其他车辆发生的碰撞情况。目前已有许多研究学者将图像处理,模式识别,机器学习等方法应用于车辆检测,但是由于复杂环境,气候变化,光照变化等影响,车辆检测仍然是一个有挑战的问题。近年来,可变形部件模型因为具有较高的准确率和效率,已经被广泛地应用于目标检测研究领域。目前大部分基于可变形部件模型的算法仍然使用方向梯度直方图作为特征描述子,但是由于方向梯度直方图无法处理模糊的边界而且忽略了物体内平滑的特征区域,从而影响了可变形部件模型的性能。本研究将可变形部件模型应用于车辆检测中,并且改进了原有的可变形部件模型,提出一种基于稀疏编码的可变形部件模型。稀疏编码是一种近年来逐渐流行而且有效的方法,可应用于特征表示,通过字典学习的方法可以获得对噪声鲁棒而且能够用于重建原图像的稀疏代码。本研究利用稀疏编码和最大相关熵准则构建一种新的特征描述子来取代原可变形部件所使用的方向梯度直方图,其中的最大相关熵准则是一种局部的测量尺度,可以使得提出方法中使用的特征更加的不敏感和有判别力。同时提出了一种遮挡处理的方法来提高原可变形部件模型处理遮挡的能力和准确率。与原可变形部件模型比较,本研究提出的改进的可变形部件模型有以下几个优点:(1)字典学习过程中能够在相关熵的构架上统一处理图像中的噪声问题;(2)利用稀疏编码构建的特征描述子能够描述物体更多的信息,对图像中的噪声不敏感;(3)基于最大相关熵准则的字典学习过程中的非线性优化问题可以利用半二次优化算法近似求解其最大值,从而简化为一个二次函数问题;(4)提出的遮挡处理方法可以推测出物体可能被遮挡的部分。实验结果表明,与目前其他已有算法比较,提出的方法更加鲁棒和具有识别力。在PASCAL VOC2007数据集和Toyota Motor Europe数据集上提出的方法提高了原可变形部件模型算法的精确度。实际应用结果证明了改进的可变形部件模型有较好的检测性能。