基于多特征融合的前方车辆在线识别

发布时间：2020-08-01 06:58

【摘要】：前方车辆识别技术作为智能汽车中的关键技术之一,越来越受到人们的关注,如何提高识别的精度和速度,已经成为其关键问题。目前,采用单一车辆特征进行识别已经无法满足精度要求,为此,本文采用多特征融合的方式,对前方车辆识别方法进行深入研究。首先,研究了目前常用的单一车辆特征的基础理论和提取方法,分析每一种单一特征的优缺点,并以该分析结果为依据,提出了多通道聚合特征(MCAF),再运用最大池化的方法降低了该融合特征的维数,以解决特征维数较大的问题。根据在测试集上的实验结果,相较于单一特征和其他融合特征而言,使用MCAF能达到更高的识别精度。其次,利用LightGBM算法构建了前方车辆识别模型,根据该算法的基础理论,提取了影响算法性能的关键参数,并运用逐一优化和网格搜索相结合的方式对相关参数进行优化,以得到最佳参数组合。通过在测试集上与其他识别算法进行对比实验,进一步验证了该算法在训练速度和识别精度上的优越性。最后,采用了基于二次分类和快速特征金字塔滑窗相结合的前方车辆在线识别系统方案,该方案具体分为两步:第一步,对整幅图像进行小密度滑窗,运用基于边缘特征和LightGBM算法的前方车辆识别模型对所有子窗口进行一次分类,快速提取车辆感兴趣区域;第二步,先运用快速特征金字塔对上述提取的车辆感兴趣区域进行多尺度滑窗,再运用基于MCAF和LightGBM算法的前方车辆识别模型对所有子窗口进行二次分类,将所有分类结果为车辆的子窗口进行融合以获得最终的识别结果。通过对实际道路图像和视频进行测试,验证了该系统方案的可行性和有效性。本文构建了基于MCAF和LightGBM算法的前方车辆在线识别模型,在测试集上的综合识别精度达99.08%,并且运用二次分类的方法在识别速度上达到120ms/帧,基本满足在线识别要求,为前方车辆识别技术提供了一种思路,具有一定的参考价值。
【学位授予单位】：武汉理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP391.41;U463.6
【图文】：

效果图,阈值分割,特征提取,阴影

武汉理工大学硕士学位论文续表 2-1特征名称概述优点缺点ACF 特征通过提取包括颜色、梯度幅度、梯度直方图等 10 个通道特征来综合表征车辆目标特征计算复杂度低，检测速度快，并且涵盖了车辆目标的多种信息，能全方面表征车辆目标误检窗口多，误检率高（1）车辆表象特征车辆表象特征是指能直观反应车辆信息的特征，主要有车底阴影特征、车辆对称性特征、车辆边缘特征等。在实际道路场景中，光照会使行驶车辆产生阴影区，而阴影区的灰度值一般比路面小，这便是一个重要表征车辆目标的特征信息。因此，车底阴影特征的提取主要针对灰度图像，常采用阈值分割的方法将阴影区从图像中分割出来。目前，常用的阈值分割方法有固定阈值分割、自适应阈值分割、二次自适应阈值分割[30]、OTSU 法阈值分割[31]等，其核心均在于分割阈值的选取，不同阈值分割方法所得的分割效果如图 2-2 所示。固定阈值分割Threshhold=40 Threshhold=50 Threshhold=60

边缘算子,边缘检测,效果图

大提高了抗噪声干扰能力）声图像通过实际图像进行测试，得到相应边缘检测效果如图 2-7 所示，其中图 2-7（a）和图 2-7（b）分别为原始图和灰度图，图 2-7（c）至图 2-7（l）分别为各种边缘算子检测效果图。（a）原始图（d）Prewitt边缘算子边缘检测效果图（c）Roberts边缘算子边缘检测效果图（f）Prewitt边缘算子垂直边缘检测效果图（b）灰度图（e）Prewitt边缘算子水平边缘检测效果图

效果图,特征提取,效果图,原图

原图(64×64)图 2-9 图像中的 cell 和 block 组成图，对于64 × 64大小的原图像，一般采用2 ×取的每个 cell 的 HOG 特征串联起来作为一个于将同一个 cell 的 HOG 特征以不同的形式化了梯度变化大的影响。梯度方向直方图k 单元沿水平和垂直方向遍历整幅图像，并可得到最终的 HOG 特征，通过实图测试提。车辆原图灰度图 HOG特征图

【相似文献】