【摘要】：前方車輛識別技術(shù)作為智能汽車中的關(guān)鍵技術(shù)之一,越來越受到人們的關(guān)注,如何提高識別的精度和速度,已經(jīng)成為其關(guān)鍵問題。目前,采用單一車輛特征進(jìn)行識別已經(jīng)無法滿足精度要求,為此,本文采用多特征融合的方式,對前方車輛識別方法進(jìn)行深入研究。首先,研究了目前常用的單一車輛特征的基礎(chǔ)理論和提取方法,分析每一種單一特征的優(yōu)缺點,并以該分析結(jié)果為依據(jù),提出了多通道聚合特征(MCAF),再運用最大池化的方法降低了該融合特征的維數(shù),以解決特征維數(shù)較大的問題。根據(jù)在測試集上的實驗結(jié)果,相較于單一特征和其他融合特征而言,使用MCAF能達(dá)到更高的識別精度。其次,利用LightGBM算法構(gòu)建了前方車輛識別模型,根據(jù)該算法的基礎(chǔ)理論,提取了影響算法性能的關(guān)鍵參數(shù),并運用逐一優(yōu)化和網(wǎng)格搜索相結(jié)合的方式對相關(guān)參數(shù)進(jìn)行優(yōu)化,以得到最佳參數(shù)組合。通過在測試集上與其他識別算法進(jìn)行對比實驗,進(jìn)一步驗證了該算法在訓(xùn)練速度和識別精度上的優(yōu)越性。最后,采用了基于二次分類和快速特征金字塔滑窗相結(jié)合的前方車輛在線識別系統(tǒng)方案,該方案具體分為兩步:第一步,對整幅圖像進(jìn)行小密度滑窗,運用基于邊緣特征和LightGBM算法的前方車輛識別模型對所有子窗口進(jìn)行一次分類,快速提取車輛感興趣區(qū)域;第二步,先運用快速特征金字塔對上述提取的車輛感興趣區(qū)域進(jìn)行多尺度滑窗,再運用基于MCAF和LightGBM算法的前方車輛識別模型對所有子窗口進(jìn)行二次分類,將所有分類結(jié)果為車輛的子窗口進(jìn)行融合以獲得最終的識別結(jié)果。通過對實際道路圖像和視頻進(jìn)行測試,驗證了該系統(tǒng)方案的可行性和有效性。本文構(gòu)建了基于MCAF和LightGBM算法的前方車輛在線識別模型,在測試集上的綜合識別精度達(dá)99.08%,并且運用二次分類的方法在識別速度上達(dá)到120ms/幀,基本滿足在線識別要求,為前方車輛識別技術(shù)提供了一種思路,具有一定的參考價值。
【學(xué)位授予單位】：武漢理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP391.41;U463.6
【圖文】：

武漢理工大學(xué)碩士學(xué)位論文續(xù)表 2-1特征名稱 概述 優(yōu)點 缺點ACF 特征通過提取包括顏色、梯度幅度、梯度直方圖等 10 個通道特征來綜合表征車輛目標(biāo)特征計算復(fù)雜度低，檢測速度快，并且涵蓋了車輛目標(biāo)的多種信息，能全方面表征車輛目標(biāo)誤檢窗口多，誤檢率高（1）車輛表象特征車輛表象特征是指能直觀反應(yīng)車輛信息的特征，主要有車底陰影特征、車輛對稱性特征、車輛邊緣特征等。在實際道路場景中，光照會使行駛車輛產(chǎn)生陰影區(qū)，而陰影區(qū)的灰度值一般比路面小，這便是一個重要表征車輛目標(biāo)的特征信息。因此，車底陰影特征的提取主要針對灰度圖像，常采用閾值分割的方法將陰影區(qū)從圖像中分割出來。目前，常用的閾值分割方法有固定閾值分割、自適應(yīng)閾值分割、二次自適應(yīng)閾值分割[30]、OTSU 法閾值分割[31]等，其核心均在于分割閾值的選取，不同閾值分割方法所得的分割效果如圖 2-2 所示。固定閾值分割Threshhold=40 Threshhold=50 Threshhold=60

大提高了抗噪聲干擾能力）聲圖像通過實際圖像進(jìn)行測試，得到相應(yīng)邊緣檢測效果如圖 2-7 所示，其中圖 2-7（a）和圖 2-7（b）分別為原始圖和灰度圖，圖 2-7（c）至圖 2-7（l）分別為各種邊緣算子檢測效果圖。（a）原始圖（d）Prewitt邊緣算子邊緣檢測效果圖（c）Roberts邊緣算子邊緣檢測效果圖（f）Prewitt邊緣算子垂直邊緣檢測效果圖（b）灰度圖（e）Prewitt邊緣算子水平邊緣檢測效果圖

原圖(64×64)圖 2-9 圖像中的 cell 和 block 組成圖，對于64 × 64大小的原圖像，一般采用2 ×取的每個 cell 的 HOG 特征串聯(lián)起來作為一個于將同一個 cell 的 HOG 特征以不同的形式化了梯度變化大的影響。梯度方向直方圖k 單元沿水平和垂直方向遍歷整幅圖像，并可得到最終的 HOG 特征，通過實圖測試提。車輛原圖 灰度圖 HOG特征圖

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊俊杰;;汽車開門安全信號燈系統(tǒng)[J];發(fā)明與創(chuàng)新(小學(xué)生);2017年02期

2 ;微天下[J];農(nóng)產(chǎn)品市場周刊;2017年32期

3 黃銀花;趙仕奇;;基于特征模型驅(qū)動的前方車輛檢測[J];計算機測量與控制;2007年11期

4 施樹明,儲江偉,李斌,郭烈,王榮本;基于單目視覺的前方車輛探測方法[J];農(nóng)業(yè)機械學(xué)報;2004年04期

5 王戰(zhàn)古;高松;邵金菊;譚德榮;孫亮;于杰;;基于深度置信網(wǎng)絡(luò)的多源信息前方車輛檢測[J];汽車工程;2018年05期

6 ;互聯(lián)汽車究竟有啥好處?博世:可挽救1.1萬人生命,節(jié)省43億歐元損害成本[J];中國機電工業(yè);2017年03期

7 王戰(zhàn)古;邵金菊;高松;孫亮;于杰;譚德榮;;基于多傳感器融合的前方車輛識別方法研究[J];廣西大學(xué)學(xué)報(自然科學(xué)版);2017年02期

8 吳駿;李文杰;耿磊;肖志濤;張芳;李月龍;;基于單目視覺的前方車輛檢測與測距[J];計算機工程;2017年02期

9 王戰(zhàn)古;高松;邵金菊;于杰;馮鵬航;;復(fù)雜道路環(huán)境中前方車輛檢測方法[J];科學(xué)技術(shù)與工程;2017年33期

10 郭君斌;王建強;易世春;李克強;;基于單目視覺的夜間前方車輛檢測方法[J];汽車工程;2014年05期

相關(guān)重要報紙文章 前10條

1 本報駐薩格勒布記者 趙嘉政;克前副總理被判服刑22個月[N];光明日報;2013年

2 山東省蒙陰縣公安局交警大隊 魏善勇;加塞太危險 禮讓保平安[N];人民公安報·交通安全周刊;2016年

3 本報記者 樂鵬;Volvo推出四項新技術(shù)[N];北京科技報;2004年

4 和風(fēng);莫讓“任性加塞”堵了回家過年路[N];人民公安報·交通安全周刊;2019年

5 武洲;別忙超車[N];中國機電日報;2000年

6 見習(xí)記者 季張穎;大整治以來查處違法鳴號28755起[N];上海法治報;2016年

7 錢海飛;敬畏法律是治理“路怒癥”的良方[N];人民公安報·交通安全周刊;2015年

8 宋艷莉 本報記者 李斌;開霸道車 司機挨罰又扣分[N];成都日報;2006年

9 記者 張曄　通訊員 楊萍 田野;南理工一技術(shù)給汽車提供安全“智能助理”[N];科技日報;2009年

10 ;安全開車有要訣[N];湖北日報;2003年

相關(guān)博士學(xué)位論文 前2條

1 李儀;城市環(huán)境中交通對象檢測與識別研究[D];中南大學(xué);2013年

2 楊煒;客運車輛危險行駛狀態(tài)機器視覺辨識系統(tǒng)研究[D];長安大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 陳毅;基于多特征融合的前方車輛在線識別[D];武漢理工大學(xué);2018年

2 柳思健;基于機器視覺的前方車輛檢測技術(shù)研究[D];武漢理工大學(xué);2018年

3 盧賀;基于機器視覺的前方車輛檢測與測距研究[D];重慶交通大學(xué);2018年

4 李建;基于雙目視覺的前方車輛測距技術(shù)研究[D];長春理工大學(xué);2018年

5 王燁之;基于機器學(xué)習(xí)的前方車輛檢測和跟蹤方法的研究[D];杭州電子科技大學(xué);2018年

6 李誠;基于DSP的前方車輛檢測方法研究[D];江蘇大學(xué);2018年

7 吳高昌;基于模糊邏輯的前方車輛檢測與安全距離控制研究[D];東北大學(xué);2015年

8 王寧;基于機器視覺的前方車輛檢測與跟蹤[D];西南交通大學(xué);2018年

9 馬要娟;面向智能車的前方車輛識別技術(shù)研究及視覺感知系統(tǒng)設(shè)計[D];山東理工大學(xué);2018年

10 劉寧;基于單目視頻流的前方車輛檢測與識別[D];吉林大學(xué);2017年

本文編號：2777127