车辆保有量的增加导致车祸事故频发,汽车辅助驾驶技术的重要性日益凸显。与微波、雷达、红外等技术相比,普通的视频技术具有成像分辨率高、抗干扰能力较强、价格便宜、成本低廉、普及率高、对人体无辐射危害等各方面的综合优势和不可替代性。在视频监控、人机交互、机器人视觉导航等民用和军事等众多领域都有广泛的应用。基于普通视频的运动目标检测技术多年来一直是学者研究的热点。但是由于背景图像的动态变化,如天气和光照的变化、运动目标阴影、干扰物以及摄像机的运动等影响,使得运动目标检测在实际应用中相当困难。本文的前视车辆检测技术就是基于视频的运动目标检测技术在汽车辅助驾驶中的具体应用。针对前视车辆的检测特点,依托教研室的科研项目,对动态背景下车辆的检测和定位开展了研究工作。具体的研究内容和研究成果如下:1、针对直接对帧图片全局多尺度遍历式的检测方式检测效率低下,且容易产生虚警的问题,引入了两种可以提取出车辆潜在区域的算法。通过车辆潜在区域的提取,大大降低了候选检测框的数量,提高了检测的有效性,同时也提高了检测的准确性。2、针对背景动态变化巨大的问题,手工截取了大量不同车型、不同角度、不同对比度的车辆正样本,随机截取大量不同光照、不同场景、不同干扰物在不同尺度的负样本,提高了训练出的分类器对不同场景的鲁棒性,保证检测率。3、针对车辆视觉外观的巨大差异,构建了Multi-svm算法,通过聚类、比较的方式自动训练出多个支持向量机分类器。这里采用非监督的方式,并不事先固定支持向量机分类器的数量,避免人为划分的不合理性。4、采用卡尔曼滤波法来对车辆目标进行跟踪,并进行了基于卡尔曼滤波的运动目标跟踪的仿真实验。以上的一系列算法,已通过程序验证了有效性和可实施性。研究结果显示,本论文研究的算法可以在背景动态变化极为剧烈的前提下快速、准确地提取出视频帧中的车辆目标。