隨著高性能攝像設(shè)備的普及以及計算機和模式識別技術(shù)的發(fā)展,基于計算機視覺的車輛檢測、車輛跟蹤、車輛定位、軌跡分析等技術(shù)成為研究熱點。這些技術(shù)在交通領(lǐng)域具有廣泛的應用前景,如車輛軌跡預測、輔助駕駛系統(tǒng)、自動駕駛系統(tǒng)等。目前,雖然人們對車輛檢測等技術(shù)已開展了一些研究,但現(xiàn)有的算法還很不成熟,無論是在準確性方面還是在計算速度方面都無法滿足實際系統(tǒng)的需要。面對這種現(xiàn)狀,本文利用圖像處理和模式識別的方法對視頻圖像中車輛檢測、測速測距等問題進行了研究。主要工作內(nèi)容如下:1.提出了結(jié)合使用HOG特征與SIFT特征作為車輛檢測的特征提取算法,再通過支持向量機（SVM）訓練正反樣本,在不同核函數(shù)下驗證訓練效果,最終將訓練模型應用到不同環(huán)境的視頻文件中檢驗效果。該方法提升了傳統(tǒng)車輛檢測的效率,車輛檢測率達到98.38%,但是也存在夜視下誤檢率較大的情況,實際效果仍有待提高。2.提出了以攝像機高度、俯仰角、方向角為誤差補償?shù)膯文恳曈X測距模型,通過幾何投影原理來獲取前方車輛距離信息并且計算出前方車輛速度。最終實驗效果表明,該方法可以實時檢測前方車輛的距離與速度,對于保證車輛行駛過程中的安全距離與安全速度,防止車... 

【文章來源】：蘭州理工大學甘肅省

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【部分圖文】：

提取ROI區(qū)域

8基于機器視覺的前方車輛運行狀態(tài)估計)(31BGRBGR(2.1)該方法可以幫助圖像獲得較為柔和的處理效果[27]。（2）最大值法：使得三種顏色分量,,BGR的值取三者中的最大值，即式（2.2）所示：3BGR),,max(BGR(2.2)該方法可以幫助圖像獲得高亮度的處理效果。（3）加權(quán)平均值法：使三種顏色分量,,BGR分別賦予相應的權(quán)值bgr,,TTT，最終取,,BGR的值為三者的加權(quán)平均值，即式（2.3）所示：BTGTRTBGR）bgr(31(2.3)由于人眼對綠色的敏感程度較高，對藍色的敏感程度較低，即RBG。因此選取不同的bgr,,TTT值，就會得到不同的權(quán)值圖像。而通常情況下權(quán)值的選取需要滿足rbgTTT，通過實驗與理論證明，選取rT=0.299，gT=0.587，bT=0.114時，可以獲得最佳效果的灰度化處理[28]。即式（2.4）所示：)0.1140.5870.29931BGRVBGRgray（(2.4)由于加權(quán)平均值的方法使得圖像信息更加清晰，本文采用了加權(quán)平均值的方法對原始的視頻文件進行灰度化處理。灰度化圖像如圖2.2所示。圖2.2圖像灰度化2.2.2圖像去噪由于受到外界環(huán)境的干擾以及數(shù)據(jù)傳輸保存中隨機信號的影響，實際使用的視頻圖像會有很多的噪聲。并且由于噪聲的隨機性，導致灰度化后的圖像像素值會發(fā)生突變，這將很大程度干擾檢測的實際效果。因此，圖像的濾波即要去除可能影響檢測的噪聲，又要保證原圖像的目標形狀及結(jié)構(gòu)的完整性。圖像濾波由于不同機理主要分為空域濾波和頻域濾波，空域濾波是在原圖像基礎(chǔ)上對其每個像素點的值進行加權(quán)平均處理，常見的方法有：中值濾波、均值濾波等。頻域濾波是將圖像從空間域處理為變換域，在變換域中去除圖像噪聲，最后返回空間域，常見的方法有：傅里葉變換、小波變換等[29]。

車輛

【參考文獻】：
期刊論文
[1]基于Haar-like和Adaboost的車輛檢測算法研究[J]. 倪朋朋,顧海全,董鋒格,王文斌.  汽車零部件. 2019(10)
[2]基于視覺的目標識別中改進SIFT算法研究[J]. 馬庭田,葉文華,黃河,郭云霞.  機械制造與自動化. 2019(02)
[3]Minimum Time Overtaking Problem of Vehicle Handling Inverse Dynamics Based on Two Kinds of Safe Distances[J]. You-Qun Zhao,Xing-Long Zhang,Wen-Xin Zhang,Fen Lin.  Chinese Journal of Mechanical Engineering. 2018(06)
[4]探討汽車運用技術(shù)及發(fā)展趨勢[J]. 薛振生.  科技資訊. 2018(06)
[5]人臉特征點提取方法綜述[J]. 李月龍,靳彥,汪劍鳴,肖志濤,耿磊.  計算機學報. 2016(07)
[6]半監(jiān)督SVM分類算法的交通視頻車輛檢測方法[J]. 蔣新華,高晟,廖律超,鄒復民.  智能系統(tǒng)學報. 2015(05)
[7]基于壓縮感知與尺度不變特征變換的圖像配準算法[J]. 楊颯,楊春玲.  光學學報. 2014(11)
[8]基于HOG特征和SVM的前向車輛識別方法[J]. 李星,郭曉松,郭君斌.  計算機科學. 2013(S2)
[9]基于LBP紋理分析的視頻車輛檢測研究[J]. 馬曉芬,朱健,張偉.  電腦知識與技術(shù). 2011(19)
[10]基于高斯混合模型的空間域背景分離法及陰影消除法[J]. 朱碧婷,鄭世寶.  中國圖象圖形學報. 2008(10)

博士論文
[1]基于視覺信息的圖像特征提取算法研究[D]. 戴金波.吉林大學 2013

碩士論文
[1]基于HOG特征提取的車輛檢測方法研究[D]. 劉家旭.華北電力大學 2017
[2]基于多圖像特征金字塔的車輛檢測[D]. 曹曉明.北京交通大學 2016
[3]基于雙目視覺的結(jié)構(gòu)化道路前方車輛檢測與距離測量[D]. 汪云龍.大連理工大學 2014
[4]基于電感線圈的車輛檢測器系統(tǒng)設(shè)計[D]. 熊圣明.重慶大學 2014
[5]基于HOG的監(jiān)控視頻摘要[D]. 劉威.復旦大學 2011
[6]微波視頻融合車輛檢測與分類技術(shù)研究[D]. 鄧晨.武漢理工大學 2010
[7]基于線性SVM的級聯(lián)檢測器的構(gòu)造及其在目標檢測中的應用[D]. 安平.國防科學技術(shù)大學 2007
[8]基于激光測距器的汽車安全輔助駕駛技術(shù)[D]. 周荷.哈爾濱工業(yè)大學 2007



本文編號：3095984