【摘要】：隨著模式識別、機器視覺以及人工智能技術(shù)的快速發(fā)展,基于單目攝像頭的前方運動車輛檢測與跟蹤也逐漸成為目前研究的熱點。它是實現(xiàn)人工智能輔助駕駛系統(tǒng),乃至車輛全自動駕駛的基礎(chǔ)。運動車輛檢測跟蹤是利用圖像序列中運動車輛在顏色、邊界特征、色彩紋理等方面的差異,檢測出運動物體;提取出運動車輛輪廓形狀等信息,進一步獲取運動車輛的位置、尺寸、速度大小、距離等運動狀態(tài)信息,然后對其進行實時跟蹤。然而,由于顯示環(huán)境中的遮擋物陰影、天氣影響光照強度、復(fù)雜背景、目標運動的不確定性等因素影響,使得系統(tǒng)對車輛要同時具備高精確度和高魯棒性的檢測及跟蹤變得十分困難。本文基于單目攝像頭的前方運動車輛,從傳統(tǒng)的運動車輛檢測跟蹤算法入手,針對傳統(tǒng)算法中遇到的困難問題提出了一些新的算法。論文的主要工作和研究成果體現(xiàn)如下:1.由于傳統(tǒng)的檢測算法不具備夜間檢測車輛的能力,并且對于車輛的檢測及跟蹤效果的實時性能存在缺陷,故本文利用機器學(xué)習(xí),根據(jù)車輛不同類型的特征匹配5種與其相對應(yīng)的特征卷積核,提出了基于新型卷積神經(jīng)網(wǎng)絡(luò)的運動車輛檢測算法。為了能夠提取對應(yīng)車型的特征,算法首先通過機器學(xué)習(xí)提取不同特征所對應(yīng)的卷積核;然后通過訓(xùn)練大量的樣本車輛,對本文所構(gòu)建的新型網(wǎng)絡(luò)進行參數(shù)訓(xùn)練,特別是對卷積神經(jīng)網(wǎng)絡(luò)中BP神經(jīng)網(wǎng)絡(luò)部分中的連接參數(shù)和權(quán)重,如此可以將運動車輛進行目標分類;最后根據(jù)不同的特征進行智能像素標記,同一特征用相同像素值標記,進而提取出目標車輛位置信息,達到模式識別的效果且能夠更快速地跟蹤到目標車輛。仿真結(jié)果表明,該算法對夜間運動車輛有良好的檢測效果,可以有效克服環(huán)境不利因素的干擾,突破了傳統(tǒng)檢測算法的瓶頸。該檢測方法還具有較好的魯棒性,并且其檢測結(jié)果更加貼近人眼視覺分類的效果。2.針對基于新型卷積神經(jīng)網(wǎng)絡(luò)的運動車輛檢測算法在對目標車輛進行跟蹤時,對目標車輛跟蹤的實時性不夠理想,因此本文利用基于信息塊技術(shù),提出了一種基于目標信息塊技術(shù)和超像素點相融合的運動車輛跟蹤算法。算法首先根據(jù)已有的檢測結(jié)果,提取出相關(guān)的目標信息塊,然后將目標信息塊進行超像素點劃分,根據(jù)信息熵概念將車輛與背景邊界進行劃分,有效的降低了跟蹤算法的計算量;然后再利用運動車輛檢測過程中的檢測算法對基于超像素點劃分后的目標信息塊進行檢測,實現(xiàn)了目標車輛跟蹤效果。仿真結(jié)果表明,本文提出的跟蹤算法與相關(guān)算法相比具有較好的實時性,可以準確且實時地檢測出目標車輛,并快速準確地達到跟蹤的效果。同時,該算法的時間開銷對高速行駛的汽車輔助駕駛系統(tǒng)是可行的,并且其檢測誤差非常小,能夠在100Km/h高速運行的情況下達到亞米級別。
【圖文】：

圖 1.1 系統(tǒng)整體模型系統(tǒng)內(nèi)部的模塊硬件步驟而言，首先是攝像機按預(yù)先設(shè)計的參數(shù)進行固定對前方道路的圖像數(shù)據(jù)進行實時不斷的獲取，再把圖像進行預(yù)處理（即去理等），，接下來再把圖像數(shù)據(jù)傳輸?shù)?DSP 中，運用核心算法進行判決圖像以及檢測雙方車輛在此運行狀態(tài)下是否會發(fā)生碰撞產(chǎn)生交通事故，若會則，如報警或者主動減速等。具體示意圖如圖 1.2 所示：圖 1.2 系統(tǒng)流程圖機器視覺的運動車輛檢測技術(shù)被提出后，人們僅需選擇合適的檢測算法和域范圍，而后計算機會自動地完成整個檢測以及目標跟蹤過程�；跈C器

杭州電子科技大學(xué)碩士學(xué)位論文圖 1.1 系統(tǒng)整體模型內(nèi)部的模塊硬件步驟而言，首先是攝像機按預(yù)先設(shè)計的參數(shù)進行方道路的圖像數(shù)據(jù)進行實時不斷的獲取，再把圖像進行預(yù)處理（），接下來再把圖像數(shù)據(jù)傳輸?shù)?DSP 中，運用核心算法進行判檢測雙方車輛在此運行狀態(tài)下是否會發(fā)生碰撞產(chǎn)生交通事故，若報警或者主動減速等。具體示意圖如圖 1.2 所示：
【學(xué)位授予單位】：杭州電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41

【參考文獻】

相關(guān)期刊論文 前9條

1 鄭海超;毛峽;梁曉庚;;基于邊緣信息的灰度目標跟蹤算法[J];北京航空航天大學(xué)學(xué)報;2015年12期

2 夏永泉;JO Kang-hyun;甘勇;金保華;錢慎一;;計算機視覺在智能交通系統(tǒng)中的應(yīng)用研究綜述(英文)[J];鄭州輕工業(yè)學(xué)院學(xué)報(自然科學(xué)版);2014年06期

3 魏凱;盛建平;熊凱;;基于陰影特征的前向車輛檢測和測距方法研究[J];機械設(shè)計與制造;2013年02期

4 李紅波;陳安榮;;一種基于SIFT的遮擋目標跟蹤算法[J];重慶郵電大學(xué)學(xué)報(自然科學(xué)版);2011年02期

5 田克純;歐陽寧;陳祖希;覃遠年;;基于模糊識別的汽車目標識別研究與實現(xiàn)[J];微計算機信息;2008年18期

6 胡銦;楊靜宇;;基于模型的車輛檢測與跟蹤[J];中國圖象圖形學(xué)報;2008年03期

7 肖鋒;基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)字圖像邊緣檢測算法的研究[J];西安科技大學(xué)學(xué)報;2005年03期

8 范洪達,李相民;卡爾曼濾波算法的幾何解釋[J];火力與指揮控制;2002年04期

9 鄧銘輝,孫楓,張志;一種基于MATLAB的手寫字母的神經(jīng)網(wǎng)絡(luò)識別方法[J];應(yīng)用科技;2001年10期

相關(guān)博士學(xué)位論文 前1條

1 劉直芳;人臉檢測和識別的研究[D];四川大學(xué);2004年

相關(guān)碩士學(xué)位論文 前6條

1 張帆;基于密集SIFT特征及其池化模型的圖像分類[D];中南大學(xué);2014年

2 康佳倫;基于FMM和稀疏表示圖像修復(fù)算法的研究[D];杭州電子科技大學(xué);2014年

3 韋庭;基于單目視覺的輔助駕駛系統(tǒng)中的圖像處理研究[D];電子科技大學(xué);2012年

4 張玲增;基于多特征的前方車輛檢測與跟蹤方法研究[D];江蘇大學(xué);2010年

5 張亮修;基于Haar-like特征的實時道路車輛識別方法研究[D];青島大學(xué);2009年

6 馬娟麗;汽車防撞控制系統(tǒng)的研究[D];西北工業(yè)大學(xué);2007年

本文編號：2567024