時(shí)代在進(jìn)步,伴隨著經(jīng)濟(jì)水平的日益提高、科學(xué)技術(shù)的迅猛發(fā)展,人們生活的方方面面的質(zhì)量皆在蒸蒸日上。汽車的平民化就是智能交通的迅猛發(fā)展就是其中最明顯的表現(xiàn)。安全駕駛、安全輔助駕駛技術(shù)等一直是一個(gè)熱門話題,關(guān)于車輛檢測(cè)與車輛跟蹤一度成為關(guān)注焦點(diǎn)�，F(xiàn)有的關(guān)于安全輔助駕駛技術(shù),已經(jīng)不能夠滿足用戶對(duì)于安全技術(shù)的需求。對(duì)比過去,現(xiàn)在的交通場(chǎng)景變得愈加復(fù)雜多變,尤其像是在高速公路這樣車輛必須高速行駛的背景下,對(duì)于是否能實(shí)時(shí)檢測(cè)與跟蹤會(huì)直接影響駕駛員的安全。本文針對(duì)實(shí)時(shí)檢測(cè)前方車輛進(jìn)行深入研究,闡述工作過程如下:第一步預(yù)處理;第二步基于特征分析理論對(duì)視頻圖像中的車輛進(jìn)行特征提取并手動(dòng)分類正樣本特征與負(fù)樣本特征,訓(xùn)練分類器即車輛檢測(cè)器。針對(duì)前方車輛跟蹤算法需滿足跟蹤的實(shí)時(shí)性與準(zhǔn)確度要求,本文采用KCF車輛跟蹤算法,能夠做到快速訓(xùn)練與識(shí)別,達(dá)到快速跟蹤目的。并就算法使用性能方面,對(duì)其進(jìn)行優(yōu)化和實(shí)現(xiàn)。本文的主要內(nèi)容有:(1)方向梯度直方圖(HOG,Histogram of Oriented Gradient)結(jié)合SVM(SVM,Support Vector Machine)的車輛檢測(cè)原理,文章引入空間顏色特征...

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2-1不同大小窗口的移動(dòng)固定步長(zhǎng)

檢測(cè)算法研究的過程主要由特征提取過程、訓(xùn)練樣本過程和檢測(cè)過程三個(gè)部分組成其具體的操作過程如下：特征提取過程：首先歸一化處理圖像，再求取處理后的幀圖像中的每一點(diǎn)像素的橫向梯度值、縱向梯度值，再得出方向值，將圖像劃分為多個(gè)單元格以求取其梯度方向直方圖。歸一化3×3單元格塊內(nèi)梯度直....

圖2-4像素、單元格及塊之間的關(guān)系

們進(jìn)行歸一化處理：將相鄰2*2的單元格塊化，再歸一化，得到的方式：1L的歸一化+ε→2xxx2的歸一化222+ε→xxxL-sqrt1的歸一化+ε→2xxx為極小的常數(shù)，為補(bǔ)償值。數(shù)設(shè)置是：2*2單元格/塊、8*8像素/單元格、9個(gè)直方圖通道，量，像素、單元及塊的數(shù)....

圖2-5線性可分樣本的最優(yōu)界面

圖2-5線性可分樣本的最優(yōu)界面分的問題中，分界面不唯一，可以有很多個(gè)。但是在下，依然能夠正確的分類訓(xùn)練樣本的分界面，則只有距離兩邊不同類別的樣本數(shù)據(jù)間距最大即拆分的置信的分類超平面方法[30]。如圖2-5所示，對(duì)于空間內(nèi)的直投影點(diǎn)定義為0x，該超平面的垂直向量為w，點(diǎn)x....

圖2-6線性不可分樣本分布

圖2-6線性不可分樣本分布展現(xiàn)的樣本，可以明顯看出數(shù)據(jù)樣本的非線性，此時(shí)需方案將數(shù)據(jù)分類。這個(gè)合理的方案就是找出存在的理以表達(dá)為：051262324221121aX+aX+aX+aX+aXX+a=2可以等價(jià)為橫縱坐標(biāo)軸。映射函數(shù)：11Z=X，221Z=X，....

本文編號(hào)：3905867