论文部分内容阅读
近年来,基于机器视觉的无人驾驶车辆系统已成为当前学术界研究的重要内容,其中视觉导航技术备受关注。本文研究的主要内容是基于无人车视觉导航中的前方车辆检测方法,在现有的基础上做了进一步的研究,主要内容包括:(1)设计了一种基于颜色属性的通用目标检测方法。通用目标检测就是提取出图像中有可能包含目标的区域并以外接矩形的形式予以输出。本文首先比较了传统滑动窗口法和通用目标检测法提供的候选目标检测窗口的优缺点,接着通过颜色属性转换将传统的彩色图像转化为十一色图,然后利用区域划分算法将图像划分为不同的区域,最后将不同区域间颜色、纹理相似度作为评价指标,利用区域合并策略将不同区域合并,将合并后的结果作为通用目标的候选窗口。实验结果表明,本文算法可以在保持较高的目标检测率的情况下用较少的候选框来描述目标的候选区域,具有较好的通用性。(2)研究了基于AdaBoost算法的前方车辆检测方法,设计了一种改进的基于通用目标检测和AdaBoost算法的前方车辆检测方法。该方法首先将通用目标检测的结果作为车辆检测的候选窗口,接着提取车辆的Haar特征并利用AdaBoost算法来训练强分类器,然后生成级联分类器作为车辆分类器对候选窗口进行过滤,最后利用窗口合并策略对检测结果进行再处理,进而得到车辆检测结果。实验结果表明该改进方法相比基于滑动窗口的AdaBoost检测方法在不影响检测性能的基础上,平均耗时更低。而且在分辨率要求不高的情况下,基本可以满足实时性要求。但当车辆出现少许遮挡时,容易出现误判和漏检现象。(3)设计了一种新的基于HOG-PCA和DPM算法的前方车辆检测方法。鉴于基于特征的机器学习方法面对遮挡问题性能下降这一现象,本文接着研究了一种基于部件的DPM算法。本文首先提取车辆的HOG特征作为车辆特征,接着利用PCA算法对HOG特征降维,并构建HOG特征金字塔,然后利用Latent-SVM来训练不同姿态下车辆单一 DPM模型,最后将单一模型组合成混合DPM模型作为最终的车辆检测模型。实验结果表明,当前方车辆出现部分遮挡现象时,基于HOG-PCA和DPM算法的车辆检测方法性能表现更佳。最后,本文对比了基于通用目标的AdaBoost算法和基于HOG-PCA的DPM算法两种方法的检测结果,并分析了二者的优缺点。