基于单目视觉的车辆防撞预警系统的技术研究

摘要

本文研究了基于单目视觉的车辆防撞预警系统，分别在白天车辆检测、夜间车辆检测和车辆跟踪三个技术领域对各种研究成果进行分析对比，并针对实际场景中遇到的问题设计了相应的改进算法。 在白天车辆检测中，针对系统要求超高安全性的特点，提出了划分不同安全级的ROI区域，并在警报ROI区域中依次使用两种检测方法的机制。针对传统车道线检测算法灵活性低的缺点，设计了一种基于超像素的车道线检测算法，对车道线被遮挡的情况具有鲁棒性。针对SVM分类算法效率低的缺点，设计了基于PCANET的车辆分类器，提高了系统的准确性。 在夜间车辆检测中，针对只检测前方汽车而不能对电动车进行预警的情况，设计了混合交通场景下的车辆检测机制。针对传统相机自动曝光时尾灯容易误检的缺点，设计了低曝光度的尾灯检测机制，建立了尾灯的HSV空间模型来分割尾灯，利用证据融合算法来验证尾灯。实验结果表明，新算法减少了车辆误检情况并提高了系统的安全性。 在车辆跟踪过程中，针对白天和夜间图像的差异性而分别设计了对应的跟踪算法，白天场景下针对Meanshift算法易发生窗口漂移的缺点，设计了结合Meanshift和智能跟踪队列的方法。夜间场景下针对传统跟踪算法无法应用于低亮度图像的缺点，设计了结合夜间检测模型和跟踪队列的方法，提高了算法处理速度。 通过对实际行车视频进行处理的结果表明，在Windows10操作系统和2.4GHz CPU的环境下，采用本文设计的车辆检测与跟踪的方法能够准确的检出前车并且速度能达到20帧每秒，满足实时性的要求。

目录

声明

摘要

图目录

表目录

注释表

1绪论

1．1研究背景和意义

1．2国内外研究现状

1．2．1国内研究现状

1．2．2国外研究现状

1．2．3选题动机

1．3本文主要内容和组织结构

2白天车辆检测

2．1车道线检测

2．1．1地平线获取与距离估计

2．1．2获取车道线的超像素围栏

2．2疑似车辆目标的检测

2．2．1基于阴影和纹理特征的车辆检测

2．2．2基于选择性搜索法的车辆检测

2．3疑似车辆目标的验证

2．3．1广泛使用的车辆分类描述符

2．3．2基于PCANET的特征向量提取

2．3．3支持向量机简介

2．3．4基于LibSVM训练PCANET分类器

2．4实验结果与分析

3夜间车辆检测

3．1国内外汽车灯具标准

3．2相机配置

3．3基于HSV颜色空间模型的图像尾灯分割

3．3．1 HSV颜色空间简介

3．3．2 ROI区域选择

3．3．3尾灯区域分割

3．3．4形态学运算

3．3．5搜索疑似尾灯的连通域

3．4 Dempster-Shafer证据融合理论验证候选尾灯区域

3．4．1 Dempster-Shafer证据融合理论简介

3．4．2基于证据融合理论对尾灯特征进行融合

3．5实验结果与分析

4 车辆跟踪算法研究

4．1常用的车辆跟踪算法

4．1．1基于MeanShift的目标跟踪算法

4．1．2基于光流法的车辆跟踪算法

4．1．3基于卡尔曼滤波的车辆跟踪方法

4．2白天和夜间场景下的车辆跟踪

4．2．1基于MeanShift和智能跟踪队列的白天车辆跟踪

4．2．2基于夜间检测模型和跟踪队列的夜间车辆跟踪

4．3实验结果与分析

4．3．1白天车辆跟踪结果

4．3．2夜间车辆跟踪结果

5本文总结与展望

5．1论文总结

5．2展望

致谢

参考文献

附录