由于我國(guó)交通事故頻繁發(fā)生,人們對(duì)駕駛安全性的關(guān)注進(jìn)一步提高,因此前碰撞預(yù)警系統(tǒng)已成為當(dāng)今的研究熱點(diǎn)。車(chē)輛檢測(cè)的準(zhǔn)確性,跟蹤的精準(zhǔn)度以及實(shí)時(shí)性是該系統(tǒng)的重要評(píng)價(jià)指標(biāo)。因此本文重點(diǎn)研究基于單目視覺(jué)的前車(chē)檢測(cè)與高精度跟蹤算法,為駕駛安全性提供更多保障。主要研究工作如下:1、提出一種多分類器串聯(lián)的方法,以解決單個(gè)的Adaboost級(jí)聯(lián)分類器級(jí)數(shù)較高時(shí)檢測(cè)時(shí)間長(zhǎng),以及多種類型車(chē)輛(小轎車(chē)、貨車(chē)、大巴車(chē)等)同時(shí)檢測(cè)的魯棒性不高問(wèn)題。相比于單個(gè)級(jí)聯(lián)分類器,通過(guò)試驗(yàn)驗(yàn)證了在晴天、陰天、小雨等天氣條件下,該方法在多類型車(chē)輛檢測(cè)的魯棒性。2、提出一種基于數(shù)字圖像相關(guān)(DIC)的高精度車(chē)輛跟蹤算法,跟蹤精度可達(dá)到0.001個(gè)像素,以解決對(duì)前車(chē)跟蹤不精準(zhǔn),碰撞預(yù)警不及時(shí)的問(wèn)題。通過(guò)與CMT跟蹤算法、自適應(yīng)Mean Shift算法在跟蹤框?qū)挾取⒆鴺?biāo),跟蹤耗時(shí)等方面對(duì)比,驗(yàn)證了本文算法對(duì)車(chē)輛跟蹤的精準(zhǔn)性,每幀跟蹤耗時(shí)僅為0.995ms。3、設(shè)計(jì)出一套前碰撞預(yù)警系統(tǒng)用于驗(yàn)證算法的可行性。通過(guò)對(duì)兩車(chē)設(shè)定不同的相對(duì)速度,對(duì)報(bào)警距離進(jìn)行統(tǒng)計(jì),驗(yàn)證了該系統(tǒng)預(yù)警的及時(shí)性,算法的實(shí)時(shí)性和有效性。

【文章頁(yè)數(shù)】：94 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
致謝
摘要
abstract
第一章 緒論
    1.1 研究背景和意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 車(chē)輛檢測(cè)研究現(xiàn)狀
        1.2.2 車(chē)輛跟蹤研究現(xiàn)狀
    1.3 本文主要內(nèi)容和組織結(jié)構(gòu)
        1.3.1 本文主要研究?jī)?nèi)容
        1.3.2 文章組織結(jié)構(gòu)
第二章 基于多Adaboost級(jí)聯(lián)分類器串聯(lián)的車(chē)輛檢測(cè)
    2.1 車(chē)輛檢測(cè)Haar-like特征描述
        2.1.1 Haar-like特征及擴(kuò)展特征
        2.1.2 Haar-like特征數(shù)量計(jì)算
        2.1.3 Haar-like特征積分圖快速計(jì)算
    2.2 Adaboost算法理論及訓(xùn)練
        2.2.1 弱分類器訓(xùn)練
        2.2.2 強(qiáng)分類器構(gòu)建
        2.2.3 級(jí)聯(lián)分類器構(gòu)建
    2.3 多分辨率檢測(cè)
    2.4 多Adaboost級(jí)聯(lián)分類器串聯(lián)
        2.4.1 樣本準(zhǔn)備
        2.4.2 多類型分類器訓(xùn)練
        2.4.3 多Adaboost級(jí)聯(lián)分類器串聯(lián)方法
    2.5 實(shí)驗(yàn)結(jié)果與分析
        2.5.1 測(cè)評(píng)數(shù)據(jù)
        2.5.2 評(píng)價(jià)指標(biāo)定義
        2.5.3 實(shí)驗(yàn)對(duì)比
    2.6 本章小結(jié)
第三章 基于消失點(diǎn)的單目視覺(jué)測(cè)距
    3.1 攝像機(jī)內(nèi)外參數(shù)標(biāo)定
        3.1.1 像素坐標(biāo)系和圖像坐標(biāo)系轉(zhuǎn)換
        3.1.2 相機(jī)坐標(biāo)系和圖像坐標(biāo)系轉(zhuǎn)換
        3.1.3 世界坐標(biāo)系和相機(jī)坐標(biāo)系轉(zhuǎn)換
        3.1.4 內(nèi)外參求解
    3.2 基于消失點(diǎn)的單目測(cè)距模型
    3.3 測(cè)距驗(yàn)證
    3.4 本章小結(jié)
第四章 基于數(shù)字圖像相關(guān)法的高精度車(chē)輛跟蹤算法
    4.1 車(chē)輛跟蹤精度要求分析
        4.1.1 亞像素級(jí)精度要求分析
        4.1.2 跟蹤框大小變化和碰撞預(yù)警關(guān)系
        4.1.3 相對(duì)速度計(jì)算
    4.2 常用車(chē)輛跟蹤算法
        4.2.1 基于粒子濾波的目標(biāo)跟蹤算法
        4.2.2 基于卡爾曼濾波的目標(biāo)跟蹤算法
        4.2.3 基于Mean Shift的目標(biāo)跟蹤算法
        4.2.4 基于光流法的目標(biāo)跟蹤算法
    4.3 基于數(shù)字圖像相關(guān)(DIC)的高精度車(chē)輛跟蹤算法
        4.3.1 數(shù)字圖像相關(guān)法概述
        4.3.2 數(shù)字圖像相關(guān)法原理
        4.3.3 相關(guān)函數(shù)選取
        4.3.4 相關(guān)搜索過(guò)程
        4.3.5 車(chē)輛變形初值估計(jì)
        4.3.6 亞像素插值方法選擇
        4.3.7 亞像素搜索方法選擇
        4.3.8 基于數(shù)字圖像相關(guān)法的車(chē)輛跟蹤算法
    4.4 實(shí)驗(yàn)結(jié)果與分析
        4.4.1 跟蹤框中心位置對(duì)比實(shí)驗(yàn)
        4.4.2 跟蹤框?qū)挾扰c測(cè)距精度對(duì)比實(shí)驗(yàn)
        4.4.3 跟蹤耗時(shí)對(duì)比實(shí)驗(yàn)
    4.5 本章小結(jié)
第五章 前碰撞預(yù)警系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)
    5.1 前碰撞預(yù)警系統(tǒng)整體結(jié)構(gòu)與模塊組成
    5.2 實(shí)車(chē)驗(yàn)證
    5.3 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間的學(xué)術(shù)活動(dòng)及成果情況



本文編號(hào)：3770476