發(fā)布時(shí)間：2021-03-23 14:48

　　隨著高性能攝像設(shè)備的普及以及計(jì)算機(jī)和模式識(shí)別技術(shù)的發(fā)展,基于計(jì)算機(jī)視覺(jué)的車(chē)輛檢測(cè)、車(chē)輛跟蹤、車(chē)輛定位、軌跡分析等技術(shù)成為研究熱點(diǎn)。這些技術(shù)在交通領(lǐng)域具有廣泛的應(yīng)用前景,如車(chē)輛軌跡預(yù)測(cè)、輔助駕駛系統(tǒng)、自動(dòng)駕駛系統(tǒng)等。目前,雖然人們對(duì)車(chē)輛檢測(cè)等技術(shù)已開(kāi)展了一些研究,但現(xiàn)有的算法還很不成熟,無(wú)論是在準(zhǔn)確性方面還是在計(jì)算速度方面都無(wú)法滿(mǎn)足實(shí)際系統(tǒng)的需要。面對(duì)這種現(xiàn)狀,本文利用圖像處理和模式識(shí)別的方法對(duì)視頻圖像中車(chē)輛檢測(cè)、測(cè)速測(cè)距等問(wèn)題進(jìn)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(chē)輛檢測(cè)的特征提取算法,再通過(guò)支持向量機(jī)（SVM）訓(xùn)練正反樣本,在不同核函數(shù)下驗(yàn)證訓(xùn)練效果,最終將訓(xùn)練模型應(yīng)用到不同環(huán)境的視頻文件中檢驗(yàn)效果。該方法提升了傳統(tǒng)車(chē)輛檢測(cè)的效率,車(chē)輛檢測(cè)率達(dá)到98.38%,但是也存在夜視下誤檢率較大的情況,實(shí)際效果仍有待提高。2.提出了以攝像機(jī)高度、俯仰角、方向角為誤差補(bǔ)償?shù)膯文恳曈X(jué)測(cè)距模型,通過(guò)幾何投影原理來(lái)獲取前方車(chē)輛距離信息并且計(jì)算出前方車(chē)輛速度。最終實(shí)驗(yàn)效果表明,該方法可以實(shí)時(shí)檢測(cè)前方車(chē)輛的距離與速度,對(duì)于保證車(chē)輛行駛過(guò)程中的安全距離與安全速度,防止車(chē)... 

【文章來(lái)源】：蘭州理工大學(xué)甘肅省

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

提取ROI區(qū)域

8基于機(jī)器視覺(jué)的前方車(chē)輛運(yùn)行狀態(tài)估計(jì))(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(yīng)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(duì)綠色的敏感程度較高，對(duì)藍(lán)色的敏感程度較低，即RBG。因此選取不同的bgr,,TTT值，就會(huì)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(mǎn)足rbgTTT，通過(guò)實(shí)驗(yàn)與理論證明，選取rT=0.299，gT=0.587，bT=0.114時(shí)，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(duì)原始的視頻文件進(jìn)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(jī)信號(hào)的影響，實(shí)際使用的視頻圖像會(huì)有很多的噪聲。并且由于噪聲的隨機(jī)性，導(dǎo)致灰度化后的圖像像素值會(huì)發(fā)生突變，這將很大程度干擾檢測(cè)的實(shí)際效果。因此，圖像的濾波即要去除可能影響檢測(cè)的噪聲，又要保證原圖像的目標(biāo)形狀及結(jié)構(gòu)的完整性。圖像濾波由于不同機(jī)理主要分為空域?yàn)V波和頻域?yàn)V波，空域?yàn)V波是在原圖像基礎(chǔ)上對(duì)其每個(gè)像素點(diǎn)的值進(jìn)行加權(quán)平均處理，常見(jiàn)的方法有：中值濾波、均值濾波等。頻域?yàn)V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(jiàn)的方法有：傅里葉變換、小波變換等[29]。

車(chē)輛

【參考文獻(xiàn)】：
期刊論文
[1]基于Haar-like和Adaboost的車(chē)輛檢測(cè)算法研究[J]. 倪朋朋,顧海全,董鋒格,王文斌.  汽車(chē)零部件. 2019(10)
[2]基于視覺(jué)的目標(biāo)識(shí)別中改進(jìn)SIFT算法研究[J]. 馬庭田,葉文華,黃河,郭云霞.  機(jī)械制造與自動(dòng)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(chē)運(yùn)用技術(shù)及發(fā)展趨勢(shì)[J]. 薛振生.  科技資訊. 2018(06)
[5]人臉特征點(diǎn)提取方法綜述[J]. 李月龍,靳彥,汪劍鳴,肖志濤,耿磊.  計(jì)算機(jī)學(xué)報(bào). 2016(07)
[6]半監(jiān)督SVM分類(lèi)算法的交通視頻車(chē)輛檢測(cè)方法[J]. 蔣新華,高晟,廖律超,鄒復(fù)民.  智能系統(tǒng)學(xué)報(bào). 2015(05)
[7]基于壓縮感知與尺度不變特征變換的圖像配準(zhǔn)算法[J]. 楊颯,楊春玲.  光學(xué)學(xué)報(bào). 2014(11)
[8]基于HOG特征和SVM的前向車(chē)輛識(shí)別方法[J]. 李星,郭曉松,郭君斌.  計(jì)算機(jī)科學(xué). 2013(S2)
[9]基于LBP紋理分析的視頻車(chē)輛檢測(cè)研究[J]. 馬曉芬,朱健,張偉.  電腦知識(shí)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(guó)圖象圖形學(xué)報(bào). 2008(10)

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

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



本文編號(hào)：3095984