基于多视角分类器融合的车辆检测研究

摘要

车辆检测子系统是智能辅助驾驶系统的重要组成部分。在复杂交通环境下，传统的车辆检测方法检测性能不佳，本文提出了一种具有较强鲁棒性的车辆检测算法。该算法在不同天气、强光照等环境下显示出良好的检测性能。
　　在车辆候选区域确定部分，通过简单线性迭代聚类算法将图像分割获得超像素图。图中每个超像素块作为图模型的节点，然后根据节点与节点间的空间位置关系、颜色相似度等信息进行聚类，得到大量车辆候选区域。利用车辆样本的特点通过节点间的相似度计算车辆候选区域的可能存在分数，最后通过非极大值抑制算法消除交叉重复的候选框。通过实验对比分析，验证该车辆候选区域确定算法准确性。
　　在车辆检测部分，提取图像颜色、梯度等特征构成多特征融合的快速金字塔模型。快速金字塔模型的建立，丰富了图像信息，提高了特征提取效率。通过对分类算法的比较，选择AdaBoost算法作为车辆检测的分类器。在分类器的训练过程，根据车辆的行驶角度将训练样本分为多类单独进行训练，获得多视角分类器。由于国内典型车的独特性，通过调整训练参数等对其针对训练，提高车辆检测系统的检测性能。
　　为了验证车辆检测算法的性能，本文在两个公开车辆数据库进行对比实验。通过与现有的车辆检测方法检测结果对比分析，验证了本文提出的车辆检测算法具有更好的鲁棒性和检测精度。针对国内没有公开的车辆数据库的情况，本文建立了中国交通数据库。该数据库的建立丰富了车辆训练集正样本，对于车辆检测算法的研究和开发具有一定的应用价值和参考意义。

目录

声明

致谢

摘要

1．1 研究背景及意义

1．2 国内外研究现状

1．3 本文主要内容和安排

1．3．1 主要研究内容

1．3．2 论文各章安排

2 基于图论的车辆候选区域确定

2．1 图论的基础

2．1．1 图的定义

2．1．2 无向图、有向图和混合图

2．1．3 边和结点

2．1．4 图与网络

2．2 基于图论的超像素分割与融合

2．3 灵活边界框生成算法

2．3．1 边界框起始位置的确定

2．3．2 候选边界框位置确定

2．4 车辆候选边界框的选择

2．4．1 溢出率和漏缺率

2．4．2 边界框的相似度

2．4．3 车辆可能存在分数(Vehicle Proposal Score，VPS)

2．4．4 非极大值抑制的候选框筛选

2．5 实验结果与分析

2．6 本章小结

3 基于多特征金字塔模型的车辆检测

3．1 图像视觉特征

3．1．1 颜色特征

3．1．2 梯度特征

3．2 金字塔模型的建立

3．3 分类器的选择

3．3．1 SVM分类器

3．3．2 AdaBoost分类器

3．3．3 多视角分类器的训练

3．3．4 小轿车分类器的训练

3．3．5 典型车分类器的训练

3．4 本章小结

4 实验结论

4．1 实验数据库及评价标准

4．1．1 实验数据库的介绍

4．1．2 评价指标

4．1．3 实验参数设置

4．2 中国交通图像数据库的建立

4．2．1 建立拍摄采集环境

4．2．2 视频数据采集

4．2．3 目标标定

4．2．4 小结

4．3 车辆检测实验

4．3．1 与其他车辆检测方法比较

4．3．2 结果分析与讨论

4．4 本章小结

5．1 工作总结

5．2 展望

参考文献

作者简历

学位论文数据集