基于单目视觉的多类型车辆检测与DIC高精度车辆跟踪研究
发布时间：2023-03-25 03:49
由于我国交通事故频繁发生,人们对驾驶安全性的关注进一步提高,因此前碰撞预警系统已成为当今的研究热点。车辆检测的准确性,跟踪的精准度以及实时性是该系统的重要评价指标。因此本文重点研究基于单目视觉的前车检测与高精度跟踪算法,为驾驶安全性提供更多保障。主要研究工作如下:1、提出一种多分类器串联的方法,以解决单个的Adaboost级联分类器级数较高时检测时间长,以及多种类型车辆(小轿车、货车、大巴车等)同时检测的鲁棒性不高问题。相比于单个级联分类器,通过试验验证了在晴天、阴天、小雨等天气条件下,该方法在多类型车辆检测的鲁棒性。2、提出一种基于数字图像相关(DIC)的高精度车辆跟踪算法,跟踪精度可达到0.001个像素,以解决对前车跟踪不精准,碰撞预警不及时的问题。通过与CMT跟踪算法、自适应Mean Shift算法在跟踪框宽度、坐标,跟踪耗时等方面对比,验证了本文算法对车辆跟踪的精准性,每帧跟踪耗时仅为0.995ms。3、设计出一套前碰撞预警系统用于验证算法的可行性。通过对两车设定不同的相对速度,对报警距离进行统计,验证了该系统预警的及时性,算法的实时性和有效性。
【文章页数】：94 页
【学位级别】：硕士
【文章目录】：
致谢
摘要
abstract
第一章 绪论
1.1 研究背景和意义
1.2 国内外研究现状
1.2.1 车辆检测研究现状
1.2.2 车辆跟踪研究现状
1.3 本文主要内容和组织结构
1.3.1 本文主要研究内容
1.3.2 文章组织结构
第二章 基于多Adaboost级联分类器串联的车辆检测
2.1 车辆检测Haar-like特征描述
2.1.1 Haar-like特征及扩展特征
2.1.2 Haar-like特征数量计算
2.1.3 Haar-like特征积分图快速计算
2.2 Adaboost算法理论及训练
2.2.1 弱分类器训练
2.2.2 强分类器构建
2.2.3 级联分类器构建
2.3 多分辨率检测
2.4 多Adaboost级联分类器串联
2.4.1 样本准备
2.4.2 多类型分类器训练
2.4.3 多Adaboost级联分类器串联方法
2.5 实验结果与分析
2.5.1 测评数据
2.5.2 评价指标定义
2.5.3 实验对比
2.6 本章小结
第三章 基于消失点的单目视觉测距
3.1 摄像机内外参数标定
3.1.1 像素坐标系和图像坐标系转换
3.1.2 相机坐标系和图像坐标系转换
3.1.3 世界坐标系和相机坐标系转换
3.1.4 内外参求解
3.2 基于消失点的单目测距模型
3.3 测距验证
3.4 本章小结
第四章 基于数字图像相关法的高精度车辆跟踪算法
4.1 车辆跟踪精度要求分析
4.1.1 亚像素级精度要求分析
4.1.2 跟踪框大小变化和碰撞预警关系
4.1.3 相对速度计算
4.2 常用车辆跟踪算法
4.2.1 基于粒子滤波的目标跟踪算法
4.2.2 基于卡尔曼滤波的目标跟踪算法
4.2.3 基于Mean Shift的目标跟踪算法
4.2.4 基于光流法的目标跟踪算法
4.3 基于数字图像相关(DIC)的高精度车辆跟踪算法
4.3.1 数字图像相关法概述
4.3.2 数字图像相关法原理
4.3.3 相关函数选取
4.3.4 相关搜索过程
4.3.5 车辆变形初值估计
4.3.6 亚像素插值方法选择
4.3.7 亚像素搜索方法选择
4.3.8 基于数字图像相关法的车辆跟踪算法
4.4 实验结果与分析
4.4.1 跟踪框中心位置对比实验
4.4.2 跟踪框宽度与测距精度对比实验
4.4.3 跟踪耗时对比实验
4.5 本章小结
第五章 前碰撞预警系统的设计与实现
5.1 前碰撞预警系统整体结构与模块组成
5.2 实车验证
5.3 本章小结
第六章 总结与展望
6.1 总结
6.2 展望
参考文献
攻读硕士学位期间的学术活动及成果情况
本文编号：3770476
【文章页数】：94 页
【学位级别】：硕士
【文章目录】：
致谢
摘要
abstract
第一章 绪论
1.1 研究背景和意义
1.2 国内外研究现状
1.2.1 车辆检测研究现状
1.2.2 车辆跟踪研究现状
1.3 本文主要内容和组织结构
1.3.1 本文主要研究内容
1.3.2 文章组织结构
第二章 基于多Adaboost级联分类器串联的车辆检测
2.1 车辆检测Haar-like特征描述
2.1.1 Haar-like特征及扩展特征
2.1.2 Haar-like特征数量计算
2.1.3 Haar-like特征积分图快速计算
2.2 Adaboost算法理论及训练
2.2.1 弱分类器训练
2.2.2 强分类器构建
2.2.3 级联分类器构建
2.3 多分辨率检测
2.4 多Adaboost级联分类器串联
2.4.1 样本准备
2.4.2 多类型分类器训练
2.4.3 多Adaboost级联分类器串联方法
2.5 实验结果与分析
2.5.1 测评数据
2.5.2 评价指标定义
2.5.3 实验对比
2.6 本章小结
第三章 基于消失点的单目视觉测距
3.1 摄像机内外参数标定
3.1.1 像素坐标系和图像坐标系转换
3.1.2 相机坐标系和图像坐标系转换
3.1.3 世界坐标系和相机坐标系转换
3.1.4 内外参求解
3.2 基于消失点的单目测距模型
3.3 测距验证
3.4 本章小结
第四章 基于数字图像相关法的高精度车辆跟踪算法
4.1 车辆跟踪精度要求分析
4.1.1 亚像素级精度要求分析
4.1.2 跟踪框大小变化和碰撞预警关系
4.1.3 相对速度计算
4.2 常用车辆跟踪算法
4.2.1 基于粒子滤波的目标跟踪算法
4.2.2 基于卡尔曼滤波的目标跟踪算法
4.2.3 基于Mean Shift的目标跟踪算法
4.2.4 基于光流法的目标跟踪算法
4.3 基于数字图像相关(DIC)的高精度车辆跟踪算法
4.3.1 数字图像相关法概述
4.3.2 数字图像相关法原理
4.3.3 相关函数选取
4.3.4 相关搜索过程
4.3.5 车辆变形初值估计
4.3.6 亚像素插值方法选择
4.3.7 亚像素搜索方法选择
4.3.8 基于数字图像相关法的车辆跟踪算法
4.4 实验结果与分析
4.4.1 跟踪框中心位置对比实验
4.4.2 跟踪框宽度与测距精度对比实验
4.4.3 跟踪耗时对比实验
4.5 本章小结
第五章 前碰撞预警系统的设计与实现
5.1 前碰撞预警系统整体结构与模块组成
5.2 实车验证
5.3 本章小结
第六章 总结与展望
6.1 总结
6.2 展望
参考文献
攻读硕士学位期间的学术活动及成果情况
本文编号：3770476
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3770476.html
