论文部分内容阅读
车辆检测算法是智能交通领域的一项重要研究课题,在安全驾驶辅助技术中起着重要作用。因可变形部件模型具有较高的准确率和较好的检测效率,已经被广泛应用到车辆检测领域。在当前形势下,降低被部分遮挡车辆的漏检率问题和降低非车辆的误检率问题一直是基于机器视觉的车辆检测技术中的两大技术难点,车辆检测算法仍然存在着较大提升空间。本文对传统图像检测中基于可变形部件模型的车辆检测算法进行了深入研究,并主要针对降低车辆检测中的漏检率和误检率两个方面问题进行了改进,具体的研究工作如下:(1)在深入分析可变形部件模型原理的基础上,本文创造性地提出了基于双车辆可变形部件模型的车辆检测算法。其基本思想是,首先对图像采用分区域匹配,避免模型与窗口匹配程度低而产生漏检,然后融合匹配结果从而降低车辆检测中多车辆检测情况下被部分遮挡车辆检测的漏检情况。这种双车辆可变形部件模型的车辆检测算法,可充分减少被遮挡车辆漏检概率。实验结果表明:本算法在存在部分遮挡车辆的车辆检测中要优于现有算法,能够满足安全驾驶辅助技术应用中的实用性要求。(2)针对车辆检测中存在的非车辆被误检为车辆的问题,在构建双车辆可变形部件模型的基础上,本文创造性地提出了基于双车辆可变形部件模型和卷积神经网络的车辆检测算法。将深度学习高效提取特征的优势引入到基于视觉的车辆检测领域,从而避免了传统车辆特征提取效率差等问题。本文采用的卷积神经网络就是以深度学习为基础,将可变形部件模型特征提取过程步骤展开,可变形部件模型特征提取层和卷积神经网络的卷积层一一映射,使可变形部件模型重构为卷积神经网络,用卷积神经网络学习到的特征来替换可变形部件模型所使用的HOG特征,使可变形部件模型能够得到更加全面的车辆特征,从而降低车辆误检率。实验结果表明:本算法在车辆的检测中能够进一步降低车辆被误检的概率,使车辆检测算法更加完善。本文训练基于双车辆可变形部件和卷积神经网络的车辆检测模型,并在江苏大学“江大智能行”号无人驾驶汽车平台进行算法的试验验证。源代码为VS2008工程文件形式,操作系统为Win7 64位操作系统,开发工具为Microsoft visual studio 2008、Matlab2012a。