论文部分内容阅读
目前,前方车辆检测方法可以分为基于车辆特征的方法、基于学习的方法以及基于光流场的方法等。基于学习的方法鲁棒性较强,但需要选择大量的车辆和非车辆样本对分类器进行训练;基于光流场的方法计算量大、实时性差,并且对噪声、光线等较为敏感;基于车辆特征的方法因其执行速度快、鲁棒性强、能够适应单目视觉系统的使用需要等优点,成为了应用最为广泛的一种车辆检测方法,本文即采用这种方法完成前方车辆的检测。为了减少运算量,提高处理速度,更有效地将车辆特征与非车辆特征区分开,人们提出了许多方法,例如,划分预处理区域,改进图像阈值分割方法以及综合利用车辆的多个特征进行检测等。人们大多采用检测车道线的方式来划分出预处理区域。但是,这种方法仅仅适用于高速公路、城市主干道等标准化道路,具有一定的局限性。为了能适用于任意道路,本文提出与研究一种基于虚拟车道模型的预处理区域确定方法。该方法先在道路空间构建一个具有一定长、宽、高的虚拟车道,然后根据小孔成像原理建立虚拟车道模型,最后根据图像坐标系与摄像机坐标系之间的坐标转换关系在图像中划分出虚拟车道确定的预处理区域。该方法进一步缩小了预处理区域的范围,减少了无用信息对车辆特征提取的干扰,缩短了处理时间。在图像阈值化处理时,本文针对迭代选择阈值分割法的不足,在计算迭代阈值时引入一个权重系数,增强低灰度值像素点对迭代阈值计算的影响,削弱高灰度值像素点对迭代阈值计算所起的作用,使分割阈值更加接近车底阴影区域的灰度值,以达到降低最终分割阈值的目的。针对单独利用某一个特征对车辆进行检测发生误检和漏检的概率比较高的问题,本文采用车底阴影特征、边缘特征、纹理特征、灰度对称性特征等多特征融合的方法实现前方车辆的检测。最后,在Windows7和VisualStudio2008环境下,采用OpenCV2.4.3和MFC设计了一款前方车辆检测软件,并利用该软件对采集到的具有不同道路状况的一段视频进行离线测试,测试结果表明,本文提出的车辆检测算法的准确检测率高达90%,平均每帧耗时53ms左右;通过对比其它文献中提出的方法,本文方法在准确率和平均每帧耗时等方面都有所改善。