二值样本与自适应感兴趣区域夜间车辆检测

摘要

进入二十一世纪以来，交通工具智能驾驶技术发展迅速。目前，以Google为代表的自动驾驶汽车，包括特斯拉、Waymo、通用和Uber等，已经进入实际道路测试阶段。作为新型交通形式的开拓者，选择自动驾驶汽车已成为不可逆转的新趋势。车辆检测作为自动驾驶汽车或辅助驾驶系统的基础，主要基于雷达、激光雷达等被动传感器实现，可满足高精度和实时性的需求。目前比较成熟的半自动驾驶系统，如特斯拉地Autopilot系统、凯迪拉克的Super Cruise系统、奔驰Drive Pilot系统，平均售价为6万美元到10万美元，设备价格昂贵阻碍了自动驾驶系统在民用领域的普及。另外，声呐、毫米波雷达可快速探测周围目标，但对远方或直径较小的目标探测能力差，交通状况拥堵时设备信号之间相互干扰，误差的不断累积也会影响系统正常工作。而基于计算机视觉的车辆检测技术，使用价格低廉的摄像头采集高分辨率交通图像，作为一种可替代方案不仅可极大降低自动驾驶系统成本，还可提供丰富的视觉信息用于目标识别。
　　目前基于视觉的车辆检测研究大多关注日间模式，而夜间城市道路灯光复杂且照明不均匀，这对于基于视觉的夜间车辆检测方法造成了挑战。夜间交通图像中，车辆（车灯）呈现不规则的亮团块，前方车辆的形状、颜色、边缘、纹理和角点等用于日间车辆检测的底层图像特征，在低照度的夜间交通图像中缺失，同时也不能提取足够常规的车辆（车灯）运动特征。因此，绝大多数基于视觉的日间车辆检测方法不适用于夜间模式。而夜间行车过程中，光线不足造成视野受限，驾驶员无法准确快速判断前方车辆行驶动向，极易因为疲劳与精力分散等主观因素造成操作失误，因此实现夜间车辆智能驾驶有很大需求。
　　针对上述存在问题，本文提出一种基于车前灯二值化Haar特征训练级联AdaBoost分类器进行夜间车辆检测的方法，并提出连续帧车灯最大相似度准则匹配车灯对检测结果进行补偿。针对夜间交通图像灯光复杂的问题，对图像阈值处理算法进行改进，提出最大似然阈值算法，并通过检测路灯所在线段以自适应确定感兴趣区域(ROI)，进一步去除干扰灯光。本文采用的二值样本方法可缩减35％训练时耗;自适应ROI方法可去除约75％背景区域;车辆检测在不同路况平均召回率为93.78％。
　　实验结果表明，本文阈值处理方法与感兴趣区域确定方法适用于夜间环境交通图像的预处理，并且基于二值样本分类器的车辆检测方法具有良好的实时性和召回率，能够适应多种路况条件下夜间车辆检测。

目录

声明

摘要

第一章 绪论

1．1 研究背景及意义

1．2 国内外研究现状

1．3 研究内容及创新点

1．3．1 研究内容

1．3．2 创新点

1．4 本文章节安排

第二章 夜间交通图像阈值处理算法

2．1 阈值处理算法

2．1．1 大津法(Otsu算法)

2．1．2 亮度累加直方图阈值算法

2．1．3 Kumar阈值算法

2．1．4 Wellner自适应阈值算法

2．1．5 常见阈值处理算法分析

2．2 最大似然估计阈值算法

2．3 本章小结

第三章 自适应感兴趣区域确定

3．1 感兴趣区域确定方法

3．2 本文ROI确定方法

3．2．1 变换

3．2．2 确定感兴趣区域ROI

3．3 本章小结

第四章 AdaBoost算法训练车辆分类器

4．1 AdaBoost算法简介

4．1．1 Boosting算法背景

4．1．2 算法描述

4．2 Haar特征与积分图

4．2．1 Haar特征

4．2．2 Haar特征数量计算

4．2．3 积分图像

4．3 特征选择与分类嚣训练

4．3．1 传统灰度样本Haar特征选择

4．3．2 二值化样本Haar特征选择

4．4 筛选式级联分类器生成

4．5 本章小结

第五章 车灯分割与追踪补偿

5．1 车灯分割

5．2 车灯追踪补偿

5．3 本章小结

第六章 实验与分析

6．2 灰度样品与二值样本分类器实验　

6．3 本文方法鲁性实验

6．4 多种夜间车辆检测方法对比实验

6．5 本章小结

7．1 总结

7．2 展望

参考文献

致谢

攻读学位期间发表的学术论文目录