基于立体视觉和机器学习的车辆检测方法的研究

发布时间：2020-06-15 20:05

【摘要】：近年来,交通事故已经成为一个社会广泛关注的问题,由此带来的人员和财产的损失严重影响着人们的正常生活。为了提高驾驶的安全性和可靠性,各大汽车厂商相继展开对主动安全驾驶技术和智能车辆的研究,智能交通系统的概念也因此被提出。对前方车辆的检测一直以来都是智能交通系统研究的一个重要问题。目前,车辆检测主要通过多种不同的传感器实现。相较于传统的激光雷达和毫米波雷达,视觉传感器具有成本低廉,信息丰富的优势,并且近年来随着硬件性能不断提升,视觉传感器的应用场景也越来越广泛。基于视觉传感器的车辆检测方法可以分为基于单目摄像机的车辆检测和基于双目立体视觉的车辆检测。与单目摄像机相比,双目立体视觉除了可以提供丰富的外观信息,还能够提供目标的深度信息,能够提高目标检测的准确度。在本文中,我们提出一种基于立体视觉和机器学习的,在城市道路环境中的实时车辆检测方法,该方法主要可以分为假设生成和假设验证两个步骤。在假设生成部分,分为初始候选区域生成和候选区域的确定两个步骤。首先,我们提出了一种基于车底阴影的车辆检测方法。通过提取车底阴影这一特征生成初始的候选区域。然后,为了进一步地确定候选区域,通过立体匹配算法计算视差图,获得目标的深度信息和实际大小,并对视差图进行聚类,排除视差图中具有明显深度变化的噪声区域。在假设验证阶段,我们对候选区域进行存在性验证。本文融合了方向梯度直方图和支持向量机等方法对目标进行识别。为了进一步提高车辆检测的精度,我们又引入多尺度分类器对实验结果进行优化。在实验中,我们选择了两个数据集分别进行测试。首先在自建数据集上对车辆进行城市道路中的实时检测,目标识别的准确率为95.9%。然后又在开源数据集KITTI中选择了8组视频集进行测试,准确率均达到90%以上,平均准确率为92.95%。为了验证该系统检测距离的准确性,我们也对应做了相应的测试,误差与检测距离呈正相关,最小误差为2.7%,平均误差为4.9%。实验结果表明,本文提出的基于立体视觉和机器学习的车辆检测方法能够有效地识别出各种城市场景下的目标车辆,并对目标车辆进行实时检测,具有较高的准确率。同时通过聚类算法和机器学习算法能够有效去除树木、护栏、标识牌和建筑物等干扰目标。随着对智能交通系统的深入研究,我们的方法还可以应用在高级驾驶辅助系统中的前方障碍物检测的碰撞警示和主动制动系统中,具有良好的应用前景。
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：U463.6;U495;TP391.41
【图文】：

车辆检测,视觉传感器,传感器,交通标识

第 1 章绪论果的准确性和实时性。视觉传感器具有成本低、视角广、移植，它可以获得多种感知信息，如车辆、车道、交通标识牌、行标分类，近距离检测精度高等特点。随着硬件性能的不断提高（和计算机视觉技术的发展，基于视觉传感器的实时车辆检测逐统领域的研究热点。

智能车,示例

3 次轻微事故，没有造成任何人员伤亡。特斯拉（Tesla Autopilot）从自动辅助驾驶功能开启至今已经积累了 3 亿里行驶数据，已经可以实现自动巡航，自动变道和紧急刹车，是世界上首个实现人工智能的驾驶辅助系统。上世纪八十年代后期，我国才开始对智能交通系统进行深入的研究，虽然国内的研究起步较晚，但是也取得了卓有成效的发展。清华大学在这一方面有较深入的研究。其研制 THMR-V 智能车已经可以在结道路上进行自主驾驶跟踪，平均速度为 100 km/h，最高时速可达到 150 km/h[视觉导航、主动避障、离线报警等方面取得了较为突出的研究成果，目前正行智能巡航控制系统、前碰撞预警系统等技术的实用化工作。THMR-V 智能图 1.2（a）所示。国防科技大学先后研发了 CITAVT-I 到 CITAVT-IV 型号的无人车。其ITAVT-IV 利用视觉传感器实现了在结构化道路上的无人驾驶，如图 1.2（b）。

【参考文献】