面向高速的前方行驶车辆的检测与跟踪算法研究

发布时间：2024-02-21 20:41

　　时代在进步,伴随着经济水平的日益提高、科学技术的迅猛发展,人们生活的方方面面的质量皆在蒸蒸日上。汽车的平民化就是智能交通的迅猛发展就是其中最明显的表现。安全驾驶、安全辅助驾驶技术等一直是一个热门话题,关于车辆检测与车辆跟踪一度成为关注焦点。现有的关于安全辅助驾驶技术,已经不能够满足用户对于安全技术的需求。对比过去,现在的交通场景变得愈加复杂多变,尤其像是在高速公路这样车辆必须高速行驶的背景下,对于是否能实时检测与跟踪会直接影响驾驶员的安全。本文针对实时检测前方车辆进行深入研究,阐述工作过程如下:第一步预处理;第二步基于特征分析理论对视频图像中的车辆进行特征提取并手动分类正样本特征与负样本特征,训练分类器即车辆检测器。针对前方车辆跟踪算法需满足跟踪的实时性与准确度要求,本文采用KCF车辆跟踪算法,能够做到快速训练与识别,达到快速跟踪目的。并就算法使用性能方面,对其进行优化和实现。本文的主要内容有:(1)方向梯度直方图(HOG,Histogram of Oriented Gradient)结合SVM(SVM,Support Vector Machine)的车辆检测原理,文章引入空间颜色特征...

【文章页数】：68 页

【学位级别】：硕士

【部分图文】：

图2-1不同大小窗口的移动固定步长

检测算法研究的过程主要由特征提取过程、训练样本过程和检测过程三个部分组成其具体的操作过程如下：特征提取过程：首先归一化处理图像，再求取处理后的帧图像中的每一点像素的横向梯度值、纵向梯度值，再得出方向值，将图像划分为多个单元格以求取其梯度方向直方图。归一化3×3单元格块内梯度直....

图2-4像素、单元格及块之间的关系

们进行归一化处理：将相邻2*2的单元格块化，再归一化，得到的方式：1L的归一化+ε→2xxx2的归一化222+ε→xxxL-sqrt1的归一化+ε→2xxx为极小的常数，为补偿值。数设置是：2*2单元格/块、8*8像素/单元格、9个直方图通道，量，像素、单元及块的数....

图2-5线性可分样本的最优界面

图2-5线性可分样本的最优界面分的问题中，分界面不唯一，可以有很多个。但是在下，依然能够正确的分类训练样本的分界面，则只有距离两边不同类别的样本数据间距最大即拆分的置信的分类超平面方法[30]。如图2-5所示，对于空间内的直投影点定义为0x，该超平面的垂直向量为w，点x....

图2-6线性不可分样本分布

图2-6线性不可分样本分布展现的样本，可以明显看出数据样本的非线性，此时需方案将数据分类。这个合理的方案就是找出存在的理以表达为：051262324221121aX+aX+aX+aX+aXX+a=2可以等价为横纵坐标轴。映射函数：11Z=X，221Z=X，....

本文编号：3905867