论文部分内容阅读
障碍物检测时汽车辅助安全系统中的重要部分。由于车辆在行驶过程中车辆行驶速度快、道路场景复杂,基于行车记录仪采集的视频包含信息量大,难以同时满足实时性和准确性要求,采用硬件加速策略则大幅度增加用户的使用费用。因此,如何从复杂的道路环境中分割出目标可行域,获取可分辨特征,实现实时检测和跟踪主要障碍物的目标,同时满足低价和高精度要求是一个亟待解决的难题。本文主要研究了障碍物可行域分割算法,似物性推荐理论,多尺度特征金字塔,并在此基础上完成了实时高精度的障碍物检测方法的研究。本文在相关科研人员成果的基础上,将似物性推荐理论和多尺度特征金字塔理论相结合,通过机器学习的方法优化相关参数,将该算法用于汽车辅助驾驶中障碍物检测和识别中。本文所做的主要研究工作和贡献如下:(1)研究了图像预处理和可行域确定的相关理论,研究了图像预处理的相关方法,包括图像滤波和图像增强的相关方法。同时也研究了可行域的确定方法,制定了窗口搜索策略。为本文中后续研究做了相关铺垫。(2)研究了似物性推荐的基本理论和SVM基本原理,并在此基础上深入研究了使用BING特征进行似物性评价的相关方法。使用SVM训练似物性评价模型,再用该模型多尺度遍历检测图像获得窗口排序,大幅减少待识别窗口数量,并进行了仿真实验。(3)研究了ACF特征,对多尺度特征金字塔理论做了深入的研究,结合似物性推荐方法,提出了一种新的障碍物识别方法,使用SVM参数优化方法优化相关参数,并进行了实验仿真与对比分析。(4)研究了障碍物标定方法,对障碍物类型进行标定,提出了基于道路识别的障碍物尺度和距离识别,优化了障碍物跟踪方法,并使用多线程技术来融合障碍物识别和跟踪,并使用实际数据进行仿真。并进行了实验仿真与对比分析。对VOC数据集测试和实际路测数据的实验表明,本文提出的检测和识别方法是可行的。