单目视觉的运动车辆检测与跟踪算法

发布时间：2019-11-28 11:51

【摘要】：随着模式识别、机器视觉以及人工智能技术的快速发展,基于单目摄像头的前方运动车辆检测与跟踪也逐渐成为目前研究的热点。它是实现人工智能辅助驾驶系统,乃至车辆全自动驾驶的基础。运动车辆检测跟踪是利用图像序列中运动车辆在颜色、边界特征、色彩纹理等方面的差异,检测出运动物体;提取出运动车辆轮廓形状等信息,进一步获取运动车辆的位置、尺寸、速度大小、距离等运动状态信息,然后对其进行实时跟踪。然而,由于显示环境中的遮挡物阴影、天气影响光照强度、复杂背景、目标运动的不确定性等因素影响,使得系统对车辆要同时具备高精确度和高鲁棒性的检测及跟踪变得十分困难。本文基于单目摄像头的前方运动车辆,从传统的运动车辆检测跟踪算法入手,针对传统算法中遇到的困难问题提出了一些新的算法。论文的主要工作和研究成果体现如下:1.由于传统的检测算法不具备夜间检测车辆的能力,并且对于车辆的检测及跟踪效果的实时性能存在缺陷,故本文利用机器学习,根据车辆不同类型的特征匹配5种与其相对应的特征卷积核,提出了基于新型卷积神经网络的运动车辆检测算法。为了能够提取对应车型的特征,算法首先通过机器学习提取不同特征所对应的卷积核;然后通过训练大量的样本车辆,对本文所构建的新型网络进行参数训练,特别是对卷积神经网络中BP神经网络部分中的连接参数和权重,如此可以将运动车辆进行目标分类;最后根据不同的特征进行智能像素标记,同一特征用相同像素值标记,进而提取出目标车辆位置信息,达到模式识别的效果且能够更快速地跟踪到目标车辆。仿真结果表明,该算法对夜间运动车辆有良好的检测效果,可以有效克服环境不利因素的干扰,突破了传统检测算法的瓶颈。该检测方法还具有较好的鲁棒性,并且其检测结果更加贴近人眼视觉分类的效果。2.针对基于新型卷积神经网络的运动车辆检测算法在对目标车辆进行跟踪时,对目标车辆跟踪的实时性不够理想,因此本文利用基于信息块技术,提出了一种基于目标信息块技术和超像素点相融合的运动车辆跟踪算法。算法首先根据已有的检测结果,提取出相关的目标信息块,然后将目标信息块进行超像素点划分,根据信息熵概念将车辆与背景边界进行划分,有效的降低了跟踪算法的计算量;然后再利用运动车辆检测过程中的检测算法对基于超像素点划分后的目标信息块进行检测,实现了目标车辆跟踪效果。仿真结果表明,本文提出的跟踪算法与相关算法相比具有较好的实时性,可以准确且实时地检测出目标车辆,并快速准确地达到跟踪的效果。同时,该算法的时间开销对高速行驶的汽车辅助驾驶系统是可行的,并且其检测误差非常小,能够在100Km/h高速运行的情况下达到亚米级别。
【图文】：

模型图,系统整体,模型

图 1.1 系统整体模型系统内部的模块硬件步骤而言，首先是摄像机按预先设计的参数进行固定对前方道路的图像数据进行实时不断的获取，再把图像进行预处理（即去理等），，接下来再把图像数据传输到 DSP 中，运用核心算法进行判决图像以及检测双方车辆在此运行状态下是否会发生碰撞产生交通事故，若会则，如报警或者主动减速等。具体示意图如图 1.2 所示：图 1.2 系统流程图机器视觉的运动车辆检测技术被提出后，人们仅需选择合适的检测算法和域范围，而后计算机会自动地完成整个检测以及目标跟踪过程。基于机器

系统流程图,系统流程图

杭州电子科技大学硕士学位论文图 1.1 系统整体模型内部的模块硬件步骤而言，首先是摄像机按预先设计的参数进行方道路的图像数据进行实时不断的获取，再把图像进行预处理（），接下来再把图像数据传输到 DSP 中，运用核心算法进行判检测双方车辆在此运行状态下是否会发生碰撞产生交通事故，若报警或者主动减速等。具体示意图如图 1.2 所示：
【学位授予单位】：杭州电子科技大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TP391.41

【参考文献】