论文部分内容阅读
车辆检测是车辆辅助驾驶系统中的一项重点内容,在实际的交通场景中,行驶中的车辆对于车辆驾驶人员来说是最大的潜在威胁,及时准确地检测出驾驶者周围的车辆并对驾驶者进行预警能够在很大程度上减少交通事故的发生。因此基于车载视觉的路上车辆检测系统是目前车辆辅助驾驶领域的一个研究热点。本文利用车载单目摄像头进行车辆检测系统的研究,提出基于车辆假设区域生成和车辆假设区域验证的两步车辆检测方法。 在车辆假设区域生成阶段,首先利用基于BLOB算法来提取路面感兴趣区域,采用区间阈值对道路图像进行多次二值化,对每张二值图像提取连通区域并计算其中心,通过对这些中心点位置进行整合提取相应的BLOB信息,从而生成路面感兴趣区域。然后在此基础上提取感兴趣区域的边缘图像,利用滑动窗口对边缘图像进行行扫描,提取边缘图像中的对称区域。最后通过车辆宽度以及图像中的位置信息,对图像中的对称区域进行筛选,进一步的去除不符合条件的非车辆对称区域,得到可能为车辆的假设区域。 在车辆假设区域验证阶段,提出了基于结构自相似度的特征描述子的车辆图像特征提取方法。首先结合结构相似性指标分析车辆本身的结构特点,可知图像中的车辆本身具有很好的结构、色彩的连续性。然后利用梯度方向直方图的思想,将结构相似性指标应用到本文提出的特征提取框架之中,生成结构自相似度特征描述子。最后通过大量的数据样本训练结构自相似度特征的SVM分类器,并对假设区域进行验证,进而得到车辆检测结果。 本文在Visual Studio2013平台并结合OpenCV完成了对比实验,实验过程中针对GTI数据库、Caltech车辆数据库、MIT街景数据库以及实验室自行采集的数据进行测试,在不同场景下均有良好表现,其中在实时场景下平均识别率达到了97.71%。实验结果说明本文提出的车辆检测算法相比经典方法具有更高的准确性以及较好鲁棒性和实时性。